对于链接到维基百科文章，我会提前道歉，但我不确定我能否更好地解释它。 https://en.wikipedia.org/wiki/Boltzmann_machine

（将提取选定的段落以防止链接失效。）

根据我对 Hinton 演讲的回忆，我们看到很多关于训练 RBM 的讨论而没有太多讨论的原因之一是，“除了非常小的问题或有限的情况外，很难处理”。隐藏节点的激活不仅取决于可见节点的状态，还取决于其同胞。这意味着我们聪明的对比散度和梯度体面方法不起作用！

但是你没有问为什么难，你问的是怎么做。

简短的回答是模拟退火。

简短的回答是，我们为网络选择一个初始状态，然后执行更新，直到网络达到全局热平衡，然后尝试调整权重，同时降低温度，直到我们的激活接近全局最小值。这个过程不断重复，直到我们对结果感到满意为止。

通用 BM 的训练方式与 RBM 相同，但速度要慢得多，因为由于存在隐藏-隐藏和可见-可见连接，Gibbs 采样对于通用 BM 的效率要低得多。

在本文之前，作者提出了新算法，该算法还使用变分平均场方法来近似对数似然梯度中的一项。