下邊這部分摘自知乎：
首先，還是糾正下題主，直接疊加rbm是dbn。
而dbm是乙個真正的無向圖模型，層間互有反饋。
dbn是hiton在06年發表在science上的「reducing the dimensionality of data with neural networks.」這篇文章中提到的方法，具體的細節不做過多闡述，
因為確實很簡介，就是簡單的疊加rbm，逐層訓練後來個最後的fine turn
。方便快捷，而且效果也不錯，現在經常用來做一些dnn和cnn的預訓練，值得注意的是，hinton在imagenet上的比賽雖然是用的cnn模型，但是就是利用的dbn做的預訓練。
重點說下dbm，這是我比較喜歡的乙個dl模型。
為什麼喜歡，因為dbm才是真正的深度rbm模型！
為什麼喜歡，因為dbm才是真正的深度rbm模型！
為什麼喜歡，因為dbm才是真正的深度rbm模型！
好吧，這只是我的想法。
rbm，作為乙個概率神經網路，當然也可以理解成乙個無向圖模型，有一點我覺得很重要，那就是連線的無向性，也正是這個性質，才讓模型符合了統計力學的各種理論，建立起美妙卻虐人的rbm。但是dbn，無疑是乙個向計算妥協了的折衷模型。
可以看下dbn的模型結構，就是說其實在計算中，低層的分布並不依賴與高層。這句可能有些難懂，放在後面細說。再來看下dbm的模型，和dbn最大的不同，就是dbm的低層的分布求解其實也依賴與高層的分布。簡單的說，dbn的h1層是依賴v的分布，但是dbm的h1卻同時依賴h2和v。
這有什麼區別呢，其實如果從效果來看，dbm僅僅是比dbn的魯棒性更好而已，但是計算代價卻。。。不忍直視。我感覺這就是為什麼hinton大神先提出了dbn，一上來就搞個需要各種mean field 各種變分分析求解的模型，很多任務科背景的人可能會直接忽略吧。。。但是先搞個親民版的dbn，大家一看，效果不錯啊，在來繼續深究dbm，恩，就會有一些像我這樣的傻瓜入坑了。。。
dbm的東西太多，雖然推導都非常漂亮，但是一時半會兒也說不清楚，不過dbm真的是個很美的模型！雖然現在貌似hinton老爺子都不怎麼搞dbm，完全由他的ruslan salakhutdinov**再搞。但是這種將統計力學和圖模型還有神經網路完美結合的模型，想想就讓人很興奮呢！
參考文獻
reducing the dimensionality of data with neural networks
deep boltzmann machines
dbm和db的關係 區別
所謂的dbw就是跟 功率跟1瓦比，既10lg 功率 1瓦特 dbm就是功率跟1毫瓦比，既10lg 功率 1毫瓦 所以0dbw就是它跟1瓦比算出來的結果是0，即它也是1瓦。所以1瓦等於1000毫瓦，跟1毫瓦比算出來的結果就是30，所以0dbw 30dbm.db，表示乙個相對值。當計算a的功率相比於b大...
dbm與mysql區別 dbm資料庫
所有版本的linux以及大多數的unix版本都隨系統帶有乙個基本的 但卻非常搞笑的資料儲存歷程集，他被稱為dbm資料庫。適用於儲存比較靜態的索引化資料庫，即使用索引來儲存可變長的資料結構，然後通過索引或順序掃瞄資料庫來檢索結構，適用於處理那些被頻繁訪問但卻很少被更新的資料，因為建立資料項時非常慢，而...
dB和dBm又有什麼區別？
首先，db 是乙個純計數單位 db 10logx。db的意義其實再簡單不過了，就是把乙個很大 後面跟一長串0的 或者很小 前面有一長串0的 的數比較簡短地表示出來。如 x 1000000000000000 多少個了？10logx 150 db x 0.000000000000001 10logx 1...