我正在学习受限玻尔兹曼机，但我无法确定 RBM 的隐藏向量是否无用。
以下是我对隐藏向量所起的作用的两个理解。我误解了什么吗？如果不是，那么这些向量所扮演的角色怎么会如此不同呢？
这是第一个理解：
我从这个视频RBM中了解到隐藏单元只是结构支持，我们并不关心这些隐藏向量到底是什么。我们将隐藏单元引入 RBM 只是为了获得更多的概率分布表达能力。
假设我只有一个图像，我将这个图像转换为一个二进制向量，并将这个向量输入一个带有随机变量的 RBM（所有的权重和偏差都是随机选择的）。然后，通过打开机器，将构建第一个隐藏向量。但是这个隐藏向量并没有告诉我们任何东西，它只会用来重建一个可见向量。
（我对这个重构的可见向量的理解是这个向量首先是在定义的 RBM 中编码的向量，我们并没有真正构建新的东西，但我们只是碰巧从定义的 RBM 中采样了这个向量）
我们只是无限次地运行这个构造和重建循环。最后，我们将得到的只是用随机变量编码在这个 RBM 中的概率分布。
我的第二个理解是这样的：
RBM 可用于执行降维，这些隐藏向量是原始输入的一些抽象表示：
给定一个 RBM，RBM 的每个隐藏单元都是一个分类器，它的作用是检查输入向量位于该隐藏单元定义的超平面的哪一侧（通过权重和偏差）。因此，如果我们将图像输入到这个 RBM 中，RBM 所做的就是将这个输入向量投影到由所有隐藏单元定义的超平面上。因此对于一个输入向量，对应的隐藏向量是非常重要的，它是一些抽象的表示。我们可以进一步将此表示形式输入到其他模型中进行分类。
所以，这些是我的理解，如果你能通过解释 RBM 如何用于 MNIST 来回答这个问题，这对我非常有帮助。