RBM是玻耳茲曼機（Boltzmann machine，BM）的一種特殊拓撲結構。RBM是BM的一種變體，其限定模型為二分圖。模型中包含對應輸入參數的可見(jiàn)單元和對應訓練結果的隱藏單元，兩組單元中的每一組的一對節點(diǎn)具有對稱(chēng)連接。相比之下，無(wú)限制BM可能包含隱藏單元間的連接，這種限定使得相比一般BM更高效的訓練算法成為可能，特別是基于梯度的對比分歧（contrastive divergence）算法。

RBM由一個(gè)可見(jiàn)神經(jīng)元層和一個(gè)隱藏神經(jīng)元層組成。由于隱層神經(jīng)元之間沒(méi)有相互連接且隱層神經(jīng)元獨立于給定的訓練樣本，這使得直接計算依賴(lài)數據的期望值變得容易?？梢?jiàn)層神經(jīng)元之間也沒(méi)有相互連接。通過(guò)從訓練樣本得到的隱層神經(jīng)元狀態(tài)上執行馬爾可夫鏈（Markov chain，MC）抽樣過(guò)程，來(lái)估計獨立于數據的期望值，并行交替更新所有可見(jiàn)層神經(jīng)元和隱層神經(jīng)元的值。

BM及其模型已經(jīng)成功應用于協(xié)同濾波、分類(lèi)、降維、圖像檢索、信息檢索、語(yǔ)言處理、自動(dòng)語(yǔ)音識別、時(shí)間序列建模、文檔分類(lèi)、非線(xiàn)性嵌入學(xué)習、暫態(tài)數據模型學(xué)習和信號與信息處理等任務(wù)。RBM在降維、分類(lèi)、協(xié)同過(guò)濾、特征學(xué)習和主題建模中都有應用。根據任務(wù)的不同，可以以監督學(xué)習或無(wú)監督學(xué)習的方法進(jìn)行訓練。RBM也可被用于深度學(xué)習網(wǎng)絡(luò )，可使用多個(gè)RBM堆疊并可選地使用梯度下降法和反向傳播算法進(jìn)行調優(yōu)，便可得到深層信任網(wǎng)絡(luò )。