尽管深度信念网络 (DBN) 和深度玻尔兹曼机 (DBM) 在图表上看起来非常相似，但它们实际上在性质上非常不同。这是因为 DBN 是有向的，而 DBM 是无向的。如果我们想将它们放入更广泛的 ML 图片中，我们可以说 DBN 是具有许多密集连接的潜在变量层的 sigmoid 信念网络，而 DBM 是具有许多密集连接的潜在变量层的马尔可夫随机场。

因此，它们继承了这些模型的所有属性。例如，在 DBN 计算中，其中是可见层，是隐藏变量是很容易的。另一方面通常在计算上是不可行的。$P(v|h)$$v$$h$$P$

话虽如此，有相似之处。例如：

1. DBN 和原始 DBM 都使用基于受限玻尔兹曼机 (RBM) 的贪婪分层训练的初始化方案，
2. 他们都是“深”的。
3. 它们都具有隐变量层，这些层与上层和下层紧密连接，但没有层内连接等。

参考

• 孙世良、毛良、董子良、吴立丹的“多视图机器学习”

两者都是由堆叠的 RBM 层组成的概率图形模型。不同之处在于这些层的连接方式。

这个链接很清楚：http: //jmlr.org/proceedings/papers/v5/salakhutdinov09a/salakhutdinov09a.pdf。图 2 和第 3.1 节特别相关。

总结一下：

在 DBN 中，层之间的连接是定向的。因此，前两层形成 RBM（无向图模型），随后的层形成有向生成模型。

在 DBM 中，所有层之间的连接是无向的，因此每一对层形成一个 RBM。