不，这是不可能的。

这些图和神经网络之间存在根本区别，尽管两者都由圆圈和线/箭头表示。

这些图（概率图形模型，PGM）代表随机变量 $X=\{X_1,X_2,..,X_n\}$（圆圈）及其统计相关性（线或箭头）。它们共同定义了联合分布的结构 $P_X(\boldsymbol{x})$; 即，PGM 因式分解$P_X(\boldsymbol{x})$. 提醒一下，每个数据点$\boldsymbol{x}=(x_1,..,x_n)$ 是一个样本 $P_X$. 然而，神经网络表示计算单元（圆圈）和数据流（箭头）。例如，节点$x_1$ 连接到节点 $y$ 有重量 $w_1$ 可能意味着 $y=\sigma(w_1x_1+...)$. 他们一起定义了一个函数 $f(\boldsymbol{x};W)$.

为了说明 PGM，假设随机变量 $X_1$ 和 $X_2$ 是特征和 $C$是标签。一个数据点$\boldsymbol{x}=(x_1, x_2, c)$ 是分布的样本 $P_X$. 朴素贝叶斯假设特征$X_1$ 和 $X_2$ 给定标签在统计上是独立的 $C$, 因此因式分解 $P_X(x_1, x_2, c)$ 作为 $P(x_1|c)P(x_2|c)P(c)$.

在某些情况下，神经网络和 PGM 可以变得相关，尽管不是通过它们的圆线表示。例如，神经网络可以用来逼近一些因素$P_X(\boldsymbol{x})$ 喜欢 $P_X(x_1|c)$ 带功能 $f(x_1,c;W)$. 作为另一个例子，我们可以将神经网络的权重视为随机变量，并在权重上定义 PGM。