我的理解是，要在RBM中生成新数据，我需要输入真实数据。有没有一种方法可以在没有真实数据的情况下生成数据？就像VAE和GAN从先验分布中采样潜在变量来生成数据那样。
如果可以的话，对于像MNIST这样的带标签数据集，我如何从特定类别生成数据？我是否需要为每个数字训练10个不同的RBM模型？
回答：
我的理解是，要在RBM中生成新数据，我需要输入真实数据。有没有一种方法可以在没有真实数据的情况下生成数据？就像VAE和GAN从先验分布中采样潜在变量来生成数据那样。
当然可以。这实际上是在训练的负阶段发生的过程。你是从联合分布中采样，因此让网络“梦想”它所训练的内容。我认为这取决于你的实现方式，但我通过将输入初始化为零并进行几次Gibbs采样就能够做到这一点。我的解释是，结果应该会在可见节点上看到“看起来像数字的东西”，不一定是你数据集中的数字。
这是一个我喜欢的例子，在MNIST上训练，并在没有任何节点固定时进行采样：
关于你的第二个问题：
如果可以的话，对于像MNIST这样的带标签数据集，我如何从特定类别生成数据？我是否需要为每个数字训练10个不同的RBM模型？
当使用带标签数据时，你可以将你的标签作为额外的可见节点。查看“Training Restricted Boltzmann Machines: An Introduction”中的图2。
另外，对于这两种情况，我认为使用其他逐渐降低采样温度的采样技术（例如模拟退火），会给你更好的结果。
