背景：
是的，受限玻尔兹曼机 (RBM) 可用于启动神经网络的权重。它还可以以“逐层”的方式用于构建深度信念网络（即训练一个- 顶部的第层-th 层，然后训练- 顶部的第层-th 层，冲洗并重复...）。
关于如何使用 RBM，可以从 Good tutorial for Restricted Boltzmann Machines (RBM)的线程中找到详细信息，其中可以找到一些论文和教程。
我的问题是：
感谢分享。我想知道 RBM 在实践中是否真的有用。
可以使用 RBM 来处理数据收集中出现的典型问题（例如可以用于训练机器学习模型）。此类问题包括不平衡的数据集（在分类问题中）或具有缺失值的数据集（某些特征的值未知）。在第一种情况下，可以使用来自少数类的数据训练 RBM，并使用它来生成该类的示例，而在第二种情况下，可以为每个类分别训练 RBM 并发现未知的特征值。
RBM 的另一个典型应用是协同过滤 ( http://dl.acm.org/citation.cfm?id=1273596 )。
就流行的图书馆而言，我认为 deeplearning4j 是一个很好的例子（http://deeplearning4j.org）。
RBM 是训练/学习深度网络的首批实用方法之一，它不止一层或两层。深度信念网络是由 Geoffrey Hinton 提出的，他被认为是深度学习的“父亲”之一，我想，尽管 Yann LeCun 是深度学习的另一个主要“父亲”，我认为，或者这就是我的看法。当然，Jurgen Schmidhuber 几年前就已经发明了一切 :-)
因此，RBM 之所以出名，是因为 1. 深度学习的第一种方法 2. Geoffrey Hinton。
然而，在实践中，它们肯定在学术研究中被使用和使用，因为有很多人试图找到一些独特的利基市场，他们可以成为专家，而成为 RBM 某些利基市场的全球专家是一件好事利基市场。然而，在实践中，在工业中，虽然我不会声称它们从未使用过，但它们很少出现。有很多非常标准的技术，可以快速轻松地训练，例如逻辑回归和前馈卷积神经网络。对于无监督，像 GAN 这样的东西目前非常流行。