用最大似然估计或者map导出能量模型
参考

最大似然估计

假设有个服从未知分布的随机变量，类似黑盒子，它产生了很多能看得见的样本。那这时候，我们可以通过最大化看到这些样本的概率来反推出模型最优的参数，这种方法叫做最大似然估计。
核心思想：根据观测到的结果预测未知参数

MAP最大后验概率估计

最大似然本身是不可能把先验知识考虑进去的
maximum posterior probability 考虑的是如何把已知的经验放到模型里面去

总体来讲MAP要比MLE多出了一个项，就是P(θ），也叫作先验概率，而且这个概率是我们可以指定的。
可以通过先验的方式来给模型灌输一些信息。 比如模型的参数[公式]可能服从高斯分布，我们就可以假定先验就是高斯分布。

能量模型

A Tutorial on Energy-Based Learning

有些可视化以及清晰的见解来自ICLR 2020: Yann LeCun and Energy-Based Models。
量函数通常写作E(x,y) ，用于衡量 x,y 的 compatibility，也可以理解为x,y是否匹配，能量越小匹配度越高。

MAP导出能量模型

前边的是MAP，后边的是能量模型，包括保真项和先验项