概率模型和统计力学这两个词放在一起，乍看像两条平行线，但真正做过生成模型的人都知道，它们之间的桥梁就是基于能量的模型（Energy Based Model，EBM）。我最早接触EBM是在研究受限玻尔兹曼机的时候，当时最直观的感受是：原来一个概率分布可以不用显式写出归一化常数，只靠一个能量函数就能定义出来。这个想法非常优雅，但也给训练带来了不少麻烦。这篇内容我会把EBM的统计力学根基、核心数学框架、训练难点和实战技巧都梳理一遍，适合正在学习生成模型、想做无监督学习或者对统计物理与机器学习交叉领域感兴趣的读者。
1. 概率模型与统计力学的交汇点
1.1 从配分函数说起：统计力学给概率模型的礼物
统计力学研究的是大量微观粒子组成的系统的宏观性质。在平衡态统计力学中，一个系统处于某个微观状态的概率由玻尔兹曼分布给出：
p(x) = (1/Z) * exp(-E(x)/T)
其中E(x)是系统的能量，T是温度，Z是配分函数。配分函数这个名字听起来很抽象，它的定义其实就是一个归一化常数，要遍历所有可能的微观状态做求和（或积分）：
Z = Σ_x exp(-E(x)/T)
你可以把它理解为“系统所有可能状态的概率权重之和”。这个公式里的温度T很有意思，温度高时系统倾向于均匀分布在各种状态上，温度低时系统则倾向于集中在低能量状态附近。这跟机器学习里的softmax温度缩放几乎一模一样。
机器学习领域从统计力学拿来的核心思想就是把“数据样本”看成“微观状态”，把“数据分布”看成“统计力学中的平衡态分布”。假如我们能构造一个能量函数E(x)，使得真实数据样本对应的能量低、非数据样本对应的能量高，那么玻尔兹曼分布就会把概率质量集中在数据附近。这就是EBM的基本哲学：不直接建模概率密度，而是建模一个能反映数据“合理性”的能量标量。
我在实际学习中最开始容易忽略的一点是：Z通常不可计算。对于高维连续空间或者大规模离散状态空间，遍历所有状态做归一化几乎不可能。这直接导致最大似然估计的梯度无法精确计算，进而催生出了一大堆近似方法，后面会详细展开。
1.2 能量视角为什么重要：比显式概率更优雅
显式的概率生成模型，比如混合高斯模型，会直接写出p(x) = Σ_k π_k N(x; μ_k, Σ_k)，所有参数都明确出现在公式里，归一化是自动满足的。这类模型数学上干净，但表达能力的上限很受限——你要增加复杂度，就得显式增加大量分量，参数数量爆炸式增长。
EBM选择了另一条路：用一个参数化的能量函数E_θ(x)隐式地定义分布。只要E_θ(x)有足够强的表达能力（比如深度神经网络），p_θ(x)就能拟合非常复杂的分布。这里不需要对能量函数做任何约束，它可以是任意实数值，因为最终的概率是exp(-E_θ(x))再归一化，天然保证非负。
这个“无约束性”是EBM的巨大优势——你写模型时不需要费心设计保证归一化的结构，只需要设计一个能反映数据合理性的打分函数即可。但代价就是配分函数Z_θ跟着参数θ变化，训练时必须反复处理它。
打个比方，显式概率模型像直接画一条标准曲线来描述数据，EBM像在数据区域挖坑、在非数据区域堆墙，最后看哪个位置地势低，哪里就是数据应该出现的区域。这种“地势”的表达方式非常灵活，尤其适合图像、语音这类结构复杂的高维数据。
2. 基于能量的模型（EBM）核心框架拆解
2.1 能量函数与玻尔兹曼分布的推导逻辑
前面提到玻尔兹曼分布，现在细看它的推导逻辑。统计力学里有一个核心原理：在恒定温度下系统达到热平衡时，微观状态的概率与该状态的能量成指数衰减关系。用数学语言说，如果用S表示系统的熵，用E表示内能，那么自由能F = E - TS在平衡态取极小值。结合熵的定义S = -Σ_x p(x) log p(x)，在平均能量约束Σ_x p(x) E(x) = ⟨E⟩下最大化熵，拉格朗日乘子法直接导出：
p(x) = (1/Z) * exp(-E(x)/T)
这里拉格朗日乘子恰好对应1/T。整个过程非常干净，也解释了为什么玻尔兹曼分布是给定平均能量时最“公平”的分布——它没有引入任何人为偏好。
EBM完全沿用这个逻辑。我们定义：
p_θ(x) = (1/Z_θ) * exp(-E_θ(x))
其中θ是能量函数的参数。在实际的深度学习EBM里，温度T通常被吸收到能量函数内部（相当于缩放E），所以不需要显式写出T。在生成图像时，如果想控制采样多样性，可以通过调节T实现：高温采样偏向多样但质量略低，低温采样偏向清晰但多样性下降，这跟我在实践中的观察是一致的。
需要区分一个细节：EBM的能量函数输出的是标量，不是向量。有些初学者会把判别模型的logits直接理解为能量，这也没错——分类器的logits经过softmax后就是一类条件概率分布，本质上就是EBM的特例。差别在于EBM的输入x是整个数据样本，输出是一个标量分数，这个分数越低代表样本越合理。
2.2 三种基本构造：从全可见到隐藏变量
EBM的构造方式大体上有三类，按从简单到复杂排序：
第一类是简单能量函数。直接令E_θ(x) = f_θ(x)，其中f_θ是任意神经网络，输出标量。训练时用下面会讲到的对比散度或得分匹配来优化参数。这种方式在图像生成领域有代表性工作，只要网络设计合理，可以直接生成逼真图像，它的优势是结构自由，缺点是采样比较困难，需要依赖朗之万动力学等MCMC方法。
第二类是带隐藏变量的能量函数。最经典的例子是受限玻尔兹曼机（RBM）：
E_θ(v, h) = -a^T v - b^T h - v^T W h
这里v是可见变量（比如图像像素），h是隐藏变量（学习到的特征表示）。因为隐藏变量的存在，这种模型能表达可见变量之间复杂的非线性依赖关系。对于可观测数据x，标准做法是对隐藏变量做边际化：
p_θ(x) = (1/Z_θ) Σ_h exp(-E_θ(x, h))
RBM的训练后来发展出对比散度算法，在深度学习历史上写下了浓重的一笔。虽然现在很少直接堆叠RBM做深度模型，但它的思想被大量后续工作沿用。
第三类是条件能量模型。在输入条件y下定义能量E_θ(x, y)，建模条件分布p_θ(x|y)。这在结构化预测、图像生成条件化任务里很常见。比如文本到图像生成，就可以用条件EBM对图像打分。
三类构造的共同点是：能量函数必须能灵活体现数据结构和任务需求。我在实际设计新模型时，第一件事不是选训练算法，而是想清楚能量函数的“势能面”应该长什么样——哪些区域应该低能量，哪些区域应该高能量，这决定了模型能不能学出有意义的东西。
2.3 关键运算对象：配分函数、自由能、似然
EBM整个理论框架围绕三个核心运算对象运转，理解它们之间的勾稽关系特别重要。
配分函数Z_θ是所有状态能量指数的积分（或求和）：
Z_θ = ∫ exp(-E_θ(x)) dx
在深度学习场景下，这个积分几乎没有解析解。Z_θ的价值在于它把未归一化的分布转化为真正的概率分布，但恰恰因为不可计算，训练必须绕开它。
自由能F_θ在统计力学里定义为F = -T log Z。在EBM里，如果把数据看作固定值，可以定义给定可见变量后的自由能：
F_θ(x) = -log Σ_h exp(-E_θ(x, h))
这个量非常有用。RBM中计算自由能是训练和推理的基础。自由能低的样本更可能来自数据分布。异常检测就基于这个性质：正常样本的自由能低，异常样本的自由能高。
对数似然log p_θ(x) = -E_θ(x) - log Z_θ。注意，如果存在隐藏变量，则E_θ(x)要被自由能替换。对数似然是训练的目标函数，但直接优化它需要知道log Z_θ的梯度，这就牵扯出了训练的核心难点。
3. 训练EBM的硬骨头：概率归一化与采样
3.1 最大似然估计为何这么难
给定训练数据集{x_i}，EBM的最大似然目标是：
max_θ (1/N) Σ_i log p_θ(x_i)
对θ求梯度：
∇_θ log p_θ(x_i) = -∇_θ E_θ(x_i) - ∇_θ log Z_θ
第二项继续展开：
∇_θ log Z_θ = (1/Z_θ) ∫ exp(-E_θ(x)) (-∇_θ E_θ(x)) dx = E_{x ~ p_θ(x)}[-∇_θ E_θ(x)]
合并之后得到一个非常优雅的形式：
∇_θ log p_θ(x_i) = -∇_θ E_θ(x_i) + E_{x ~ p_θ(x)}[∇_θ E_θ(x)]
这个公式值得反复品味：第一项是数据点的能量梯度，作用是拉低真实样本的能量；第二项是模型分布下的能量梯度期望，作用是拉高模型生成样本的能量。训练过程就是在做一个动态平衡：让数据分布下的能量越来越低，让模型分布下的能量越来越高。
难点恰恰在第二项。要估计模型分布下的期望，就需要从当前p_θ(x)中采样。但p_θ(x)本身定义里含有不可计算的Z_θ，直接采样是不可能的。因此只能用MCMC方法（比如朗之万动力学、吉布斯采样）近似采样，而MCMC在高维空间可能收敛极慢，导致梯度的第二项估计噪声很大。这就是EBM训练难的根本原因。
我在实践中经常看到的现象是：训练初期模型分布和目标分布差距很大，MCMC采出来的样本质量很差，导致梯度估计不准，模型训练不稳定。这跟生成对抗网络（GAN）早期训练不稳定有些类似，但EBM的噪声更大，因为MCMC的随机性叠加在梯度估计上。
3.2 对比散度（CD）与持续对比散度（PCD）
Hinton在2002年提出的对比散度算法（Contrastive Divergence，CD）是训练RBM和早期EBM的经典方法，也是对最大似然梯度的一个巧妙近似。
CD的核心思路：不要从模型分布中采样来估计梯度第二项，而是从训练数据点出发，仅运行k步MCMC（通常k=1就够），得到对比样本，用这些对比样本近似模型分布。具体到RBM的训练：
- 取一个训练样本v_0。
- 根据条件分布采样隐藏变量h_0 ~ p(h|v_0)。
- 根据条件分布重构可见变量v_1 ~ p(v|h_0)。
- 再采样h_1 ~ p(h|v_1)。
- 用(v_0, h_0)和(v_1, h_1)的统计量差值更新权重。
CD之所以有效，是因为它与真实最大似然梯度之间有一个可证明的偏差，但这个偏差在数据分布接近模型分布时会趋于零。它的效率高得惊人，本质原因是MCMC链从数据点开始，而不是从随机噪声开始——数据点已经在高概率区域附近，几步吉布斯采样就能移动到模型比较认可的另一个高概率区，从而给出有用的梯度方向。
CD的一个著名变体是持续对比散度（Persistent Contrastive Divergence，PCD），由Tieleman在2008年提出。PCD维护一组“持久链”，这些链在整个训练过程中持续运行，每次参数更新后不重置链的状态，而是继续从上一轮的状态采样。这样模型分布缓慢变化时，链能逐步跟上，采样质量比每次都从数据点重启的CD更接近真实的模型分布。
直接用CD训练深度EBM时，我在实验中发现一个明显问题：CD对学习率非常敏感，学习率稍微调大一点，梯度估计的偏差就会导致能量函数坍塌，所有样本的能量都变得一样低。后来我用PCD配合较小的学习率，稳定性明显改善。但PCD也有自己的坑：持久链在训练中可能陷入某个单一模式，导致模型生成的样本多样性不足。
3.3 得分匹配与去噪得分匹配
最大似然这条路因为MCMC采样不好走，另一个思路是绕开配分函数，直接让模型分布的“得分”（score）逼近数据分布的“得分”。得分是概率分布对输入的对数似然梯度：
s(x) = ∇_x log p(x)
这个量有意思的地方在于：对于EBM，s_θ(x) = -∇_x E_θ(x)，配分函数Z_θ是常数，求梯度之后直接消失。这意味着我们可以完全避开可怕的配分函数来训练模型，只要让模型定义的能量梯度匹配真实的得分。
得分匹配的目标函数是：
J(θ) = (1/2) E_{p_data(x)}[||s_θ(x) - s_data(x)||²]
直接计算还需要知道真实得分，但Hyvärinen在2005年证明了一个重要恒等式，可以把上述目标转化为一个不需要真实得分的等价形式，只依赖模型得分的雅可比迹。这个转化让得分匹配变成可操作的算法。
后来Vincent提出去噪得分匹配（Denoising Score Matching，DSM），思路是先用高斯噪声扰动数据点，再让模型预测扰动数据的得分，也就是用噪声核的解析得分作为监督信号。DSM与去噪自编码器有直接联系，实现非常简单，这让得分匹配在深度学习时代重新焕发了生命力。
这里必须提一个现代视角：目前大火的各种扩散模型，本质上就是在做EBM的得分匹配训练。扩散模型的前向过程逐步加噪，反向过程用神经网络估计得分，生成时用朗之万采样逐步去噪。可以说，扩散模型是EBM理论在深度学习时代最成功的践行者。我在下面第4.3节会专门讨论这个联系。
3.4 训练稳定性的实际经验
训练EBM有点像走钢丝。我在大量实验后总结了几条维护稳定性的心得：
第一，能量函数的架构不能太深太宽。能量函数输出是一个标量，如果网络容量过大，它很容易把训练样本的能量压到极低，同时把其他区域的能量抬到极高，形成非常尖锐的势能面，这种势能面会让MCMC采样变得极难收敛。我个人建议在能量网络中加入合适的归一化层，并且谨慎设置残差连接，保证梯度顺畅。
第二，采样器的步数和步长要搭配好。朗之万动力学采样需要设置步长和噪声项，步长太大采样发散，步长太小又探索不动。我通常的做法是使用带退火的学习率调度，前期大步长快速探索，后期小步长精细逼近。在图像EBM里还常用Langevin的变体，加入动量项来加速混合。
第三，对比样本的质量是训练效果的度量衡。如果训练过程中对比样本看起来越来越像真实样本，说明模型在进步；如果对比样本一直模糊不清或者停留在低质量区域，多半是采样器没调好，或者能量函数已经坍塌。我会定期把对比样本可视化，这是一条非常实用的监控手段。
第四，梯度裁剪几乎是必需品。因为能量函数可以无界，梯度偶尔会出现非常大的值，一次异常更新就能毁掉整个训练过程。梯度裁剪的阈值我一般设在全局范数1到5之间，视模型规模调整。
4. EBM的经典家族与典型应用
4.1 RBM与DBN：历史上的敲门砖
受限玻尔兹曼机是EBM家族最有历史地位的成员之一，由Smolensky在1986年提出，后来经Hinton等人推广。RBM用二部图结构约束可见变量v和隐藏变量h之间的连接：只有可见层和隐藏层之间有连接，同层之间没有连接。这个结构保证了给定一层时另一层的条件分布是独立的，这使吉布斯采样变得极其高效。
RBM的能量函数就是前面提到过的：
E(v, h) = -a^T v - b^T h - v^T W h
可视变量和隐藏变量都是二元时，条件分布可以解析写出：
p(h_j=1|v) = σ(b_j + Σ_i v_i W_ij) p(v_i=1|h) = σ(a_i + Σ_j h_j W_ij)
这两个式子让RBM的训练和推理变得非常可控。2006年前后，Hinton提出深度信念网络（DBN），把多个RBM堆叠起来逐层预训练，解决了深层网络初始化困难的问题，打开了深度学习的序幕。虽然现在DBN本身已经不太常用，但RBM的一切思想和经验都沉淀到了EBM的发展和扩散模型的实现中。
我学习RBM时的最大体会是：看懂RBM的训练过程，就基本看懂了无监督特征提取的本质——隐藏层就是数据的稀疏表示，重构误差就是衡量表示质量的标准。很多今天习以为常的概念，比如自动编码器、预训练、表征学习，在RBM中都有清晰的原始形态。
4.2 现代深度EBM：图像生成与异常检测
随着深度网络成熟，直接用深度神经网络作为能量函数成为了可能。一批工作展示了深度EBM在图像生成上的潜力：比如用卷积网络定义能量函数，配合朗之万采样生成图像，凭借相对简单的结构就能生成低分辨率但清晰可见的图像。这类工作让“用EBM做生成模型”重新回到主流视野。
深度EBM还有一个独特的优势：可以在能量函数上做加法，融合多个信息源。比如条件EBM可以用能量项组合来同时考虑图像内容和文本描述，形式上比显式生成模型更灵活。这种组合性在异常检测和可信度评估任务中表现尤其突出。
我在异常检测项目里用过一个深度EBM框架：正常样本训练后能量分布在低值区域，异常样本即使看起来跟正常样本很像，能量也会偏高。与基于重构误差的方法相比，EBM给出的能量分数有概率解释，方便设置阈值，而且不需要依赖大型网络结构，越轻量的能量网络越好用。这是一个非常适合落地EBM的场景。
另一个值得提的应用是数据分布外检测。分类器在碰到OOD样本时可能给出过度自信的概率，但EBM可以把分类问题重构为能量模型，用能量分数代替softmax置信度来区分分布的样本与分布外的样本，效果通常比纯概率更可靠。这个方向由Colombo等人在多项研究里验证过，实践中可以很容易在现有判别模型上改造实现。
4.3 与扩散模型的隐秘联系
扩散模型与EBM的关系，我是在做生成实验时才彻底想明白的。扩散模型的前向过程通过多步加噪把数据分布逐步转化为高斯噪声，对应的反向过程学习一个逆变换，把噪声逐步恢复成数据。关键问题：反向过程中神经网络在预测什么？
答案是，神经网络实际上在预测得分函数s_θ(x, t)，也就是EBM中的能量梯度。因为噪声扰动后的分布是一个已知的高斯卷积核与数据分布的卷积，它的得分可以用噪声核的解析导数表达，这样就能构造出训练目标。训练完成后，生成过程就是用朗之万动力学在高斯分布下反复采样，从高噪声开始逐级向低噪声退火，最终得到清晰样本。
换句话说，扩散模型就是在不同噪声水平上训练一系列（或一个共享参数的）EBM能量梯度场。打破了直接训练单个EBM时的MCMC混合困难，通过多尺度加噪把采样过程分解成一系列更简单的步骤，每一步只需要局部去噪，这极大地提高了训练和采样的稳定性。
这个视角对工程实践有实际指导意义：如果你的EBM训练总是不稳定，可以试试借鉴扩散模型的思想，把能量模型建模成多尺度或带噪声扰动的形式。我在一个降噪任务中试过在EBM目标里加入多尺度噪声扰动项，收敛速度和生成质量都有明显提升。这说明理论上的联系不只是数学游戏，而是能改写成具体算法收货的。
5. 常见问题与排查技巧实录
5.1 训练发散：能量爆炸与模式坍塌
EBM训练最常遇到的问题就是发散，表现包括loss变成NaN、能量值飞向正负无穷、生成样本变成纯噪声或陷入单一模式。
能量爆炸的排查路径一般是：先看采样器是否稳定。朗之万采样的步长如果过大，粒子会跑到低概率区域，算出的能量梯度噪声极大，训练自然发散。解决措施：减小采样步长，增加采样步数，检查输入数据的归一化范围。再检查能量网络的输出层有没有做合理初始化，我习惯把网络偏置初始化为0，最后一层权重的标准差设置在0.01左右，这样起步能量场比较平坦，不至于一开始就出现巨大梯度。
模式坍塌的表现是生成样本多样性差。一个常见原因是MCMC链陷入局部势阱无法逃逸，特别是能量函数存在很深很窄的谷时。解决思路：提高采样温度，让链能跳出来；或者用PCD的持久链配合多个不同初始点；或者对能量函数加正则化，抑制过尖的势能面。我在实验中用过一个很有效的招数：在MCMC采样时对每一步的梯度方向加一点随机噪声，噪声幅值随着训练过程逐渐衰减，类似模拟退火，这能明显改善模式覆盖。
5.2 采样质量差：朗之万步数与步长的调参经验
朗之万动力学采样是深度EBM生成样本的常规手段，采样更新公式为：
x_{t+1} = x_t + (ε²/2) ∇_x log p(x_t) + ε z_t
其中z_t是标准高斯噪声，ε是步长。这里有一个反直觉的点：梯度项的系数是ε²/2，噪声项的系数是ε。当ε很小时，噪声项相对梯度项占比更大，所以采样结果会更随机、更多样但更粗糙；当ε较大时，梯度驱动的分量强，样本更清晰但容易重复。实践中我通常先设定一个较大的ε让链快速到达高概率区域，再用退火调度逐步降低ε，最后阶段用小步长精修细节。
很多教程说步数一千两千就够，但在我自己测试的1080p到4k图像生成场景中，这种步数远远不够。正常生成一张清晰图像，至少需要几千步采样，如果追求细节质量可能需要上万步。这也是EBM生成速度慢的根本原因，不像GAN和扩散模型那样可以通过few-step蒸馏加速。后续有研究通过“采样步数蒸馏”来加速EBM生成，但从理论到可用还有距离。
5.3 评估与调参：log-likelihood不可计算时的替代指标
EBM的最大尴尬在于：模型训练完成后，没法直接算log-likelihood来评估好坏。配分函数不可计算，传统指标用不了。实践中我常用几个替代指标：
FID是生成样本质量与多样性的常用指标，做法是利用预训练特征提取器（如InceptionV3）计算特征空间中生成样本与真实样本分布的Wasserstein距离。FID越低，生成质量越好。虽然FID不完美，但实验对比起来比肉眼看可靠得多。
重构误差适用于带隐藏变量的EBM，例如RBM可以用重构误差来评估特征表示质量。但对于纯深度EBM，重构误差没有直接定义。
能量-概率差值是个间接指标，可以统计验证集上样本的能量分布，观察它是否明显低于随机噪声的能量。如果模型学到了有意义的结构，验证集样本能量应该显著更低。这不能替代生成质量评估，但能辅助判断模型是否在走向正确的方向。
对比样本可视化是最直观也最容易被忽略的做法。训练过程中定期把你MCMC采出来的对比样本保存下来，你看一眼就知道是否还在正常训练。模型学得好的话，对比样本会从噪声逐步演化为类似训练数据的图案；如果一直停留在噪声状态，先不要调模型结构，优先怀疑采样器配置。
5.4 实战经验清单：从理论到可复现项目
最后整理一个我实际跑EBM项目时沉淀下来的执行清单，按顺序过一遍，能避开很多隐蔽的坑：
数据集预处理要尽量简单。像素归一到[-1, 1]或[0, 1]都可以，但必须全局统一。不要在数据增强上用力过猛，EBM的能量函数会对强增强敏感，导致模型学到了不符合真实分布的变换关系。
能量网络不要过大。网络容量越大，势能面越尖锐，采样越困难。我建议先从小网络起步，确定能稳定学到有意义的能量分布后，再逐步增加容量。
采样器与训练要同步调参。采样步长、步数、噪声项、温度这四个参数之间相互影响，每次只改一个变量做消融实验，记录生成效果和loss曲线，不要同时改多个参数，否则出问题根本不知道是谁引起的。
学习率要低。深度EBM对学习率极度敏感，Adam优化器的初始学习率从3e-4或1e-4起步，不要学GAN那种刚开始就设1e-3的调法。学习率太高会让能量函数的梯度估计偏差迅速放大，直接崩盘。
梯度裁剪必须加。前面说过，这是性价比最高的稳定性保险。
监控能量分布。每次验证时计算训练集和验证集的平均能量差，如果差得太大，说明模型过拟合；如果都在一个区间，说明模型还没学到足够判别力的特征。
MCMC链的初始值用训练数据点或噪声都行，但相反两者会导致完全不同的训练表现。早期用训练数据点初始化可以加速收敛，中后期转向随机初始化或持久链初始化会更接近真实数据分布。
配分函数估计可以不做。除非你明确要计算近似似然来做对比实验，否则日常训练完全不需要算Z，别给自己加负担。
结尾
做EBM这段时间，我最大的感受是这个模型家族把概率论的严谨性和深度学习的灵活性以一种很别扭但又很巧妙的方式结合起来。它不像VAE那样有明确的证据下界可以直接优化，也不像GAN那样有判别器和生成器的对抗博弈来间接规避归一化，EBM所有的难度都集中在一个点上——如何在不知道归一化常数的情况下，让模型学会正确的分布形状。这个“难”字本身，也恰恰是EBM最迷人的地方：当你看到仅仅靠一个能量函数和一遍遍采样，模型就能从噪声中逐步还原出数据的结构时，那种成就感确实无法替代。
如果你正打算入坑EBM，我的建议是先从RBM跑通整个流程，再用简单的MLP能量函数在公开小数据集上复现图像生成实验，最后再挑战大规模深度EBM。不要一上来就复现最新论文里的复杂架构，那样你会被采样和训练的调试折磨到怀疑人生。等你在小数据集上摸清了能量函数、采样器、优化器三者的脾气，再面对复杂任务时就会从容很多。后面有时间的话，我再写写EBM的现代变体、分步能量模型以及它在具体业务场景中的落地案例，希望这些实践经验能帮你少踩几个坑。
