格子玻尔兹曼的历年经典文章包括多孔介质里面的扩散

GPU和格子玻尔兹曼方法联合加速的水平集模型及其在图像分割中的应用.pdf

生成式模型 生成式模型的理念大同小异，几乎都是用一个模型产生概率分布来拟合原始的数据分布情况，计算两个概率分布的差异使用KL散度，优化概率模型的方法是最小化对数似然，可以用EM算法或梯度优化算法。 今天表现比较好的生成模型有VAE变分自编码器，GAN生成对抗网络和PixelRNN以及Seq2Seq等。而RBM则比它们要早很多，可以说是祖师爷级别的模型。 受限玻尔兹曼机 RBM模型是一种很早被提出的基于能量和概率的生成式模型，它拥有一个显层和一个隐层，层上有偏置，两层之前有一个权值矩阵W，只是看起来的话结构和单层神经网络并无区别。但是我们会定义这些神经元拥有“开启”或“关闭”的二值状态，为什么

PDF详细介绍了CE展开的全过程，适合初学者。

如果需要系统查看，请看我的博文链接https://www.cnblogs.com/lovely-bones/p/12001844.html

PyTorch中的受限玻尔兹曼机（RBM） 作者： 概述 该项目使用PyTorch实现了受限玻尔兹曼机（RBM）（请参阅rbm.py ）。 我们的实现包括动量，权重衰减，L2正则化和CD- k对比散度。 我们还提供对CPU和GPU（CUDA）计算的支持。 另外，我们提供了一个示例文件，将我们的模型应用于MNIST数据集（请参阅mnist_dataset.py ）。 该示例训练了RBM，使用训练后的模型从图像中提取特征，最后使用基于SciPy的逻辑回归进行分类。 它达到了92.8％的分类精度（这显然不是前沿模型）。

Matlab Restricted Boltzmann Machine A matlab implementation of restricted Boltzman Machine. Can generate samples.

圆柱绕流，浸没边界，格子玻尔兹曼

格子玻尔兹曼方法计算自然对流程序，可供参考学习,程序是fortran格式的，可以作为新手的入门学习程序

Robust Generation of Dynamical Patterns in Human Motion by a Deep Belief Nets(TDBN)的代码