原文：Hands-on Bayesian Neural Networks - a Tutorial for Deep Learning Users 译者：青苹果

深度学习的运行机制因为往往存在难以量化的情况，而被比喻为 “黑盒子”。而贝叶斯统计方法，则刚好能够提供对深度神经网络预测相关的不确定性进行理解和量化的手段。贝叶斯神经网络（BNN, Bayesian Neural Network）的潜在应用是巨大的，并为深度学习在某些面临困难挑战的领域带来了曙光。但现实中，如何设计有效的算法来高效训练或使用它，仍是是一道难关。这是为什么 BNN 在实际应用中仍然稀缺的原因。

一篇名为 Hands-on Bayesian Neural Networks - a Tutorial for Deep Learning Users 的文章中，来自蒙纳士大学、西澳大学的一支团队便为使用机器学习、特别是深度学习的研究人员和科学家提供了一份比较完备的教程。文章虽然基本思想并不复杂，只牵涉训练一个带有一些概率分布权重的人工神经网络，但却涵盖了贝叶斯神经网络的设计、实现、训练、使用和评估等一系列的内容。该文章由美国计算机协会（ACM，Association for Computing Machinery）的旗舰刊物 ACM Computing Surveys 在线发表。

本文针对教程中总结得比较好的贝叶斯网络结构定义、动机、应用于贝叶斯深度学习的随机模型的选择、如何设定优先级及先验知识的替代形式等几大内容进行了整理，感兴趣的可以戳原文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除