概率圖模型（PGM）是一種對現實情況進行描述的模型。其核心是條件概率，本質上是利用先驗知識，確立一個隨機變量之間的關聯約束關系，最終達成方便求取條件概率的目的。
1.從現象出發---這個世界都是隨機變量
這個世界都是隨機變量。
第一，世界是未知的，是有多種可能性的。
第二，世界上一切都是相互聯系的。
第三，隨機變量是一種映射，把觀測到的樣本映射成數值的過程叫做隨機變量。
上述三條原則給了我們以量化描述世界的手段，我們可以借此把一個抽象的問題變成一個數學問題。並且借助數學手段，發現問題，解決問題。世界上一切都是未知的，都是隨機變量。明天會有多少嬰兒降生武漢是隨機變量，明天出生嬰兒的基因也是隨機變量，這些孩子智商高低是隨機變量，高考分數是隨機變量，月薪幾何是隨機變量。但是這些隨機變量之間完全無關么？男孩，智商高，高考低分，月薪高的概率又有多少？顯然，隨機變量每增多一個，樣本空間就會以指數形式爆表上漲。我們要如何快速的計算一組給定隨機變量觀察值的概率呢？概率圖給出了答案。
2.概率圖---自帶智能的模型
其實在看CRF的時候我就常常在想，基於CRF的詞性分割使用了詞相鄰的信息；基於邊緣檢測的圖像處理使用了像素的相鄰信息；相鄰信息夠么？僅僅考慮相鄰像素所帶來的信息足夠將一個觀察（句子或圖像）恢復出其本意么？沒錯，最豐富的關系一定處於相鄰信息中，比如圖像的邊緣對分割的共線絕對不可磨滅，HMM詞性分割也效果不錯.......但是如果把不相鄰的信息引入判斷會怎樣？在我苦思冥想如何引入不相鄰信息的時候Deep Learning 和 CNN憑空出現，不得不承認設計這套東西的人極度聰明，利用下采樣建立較遠像素的聯系，利用卷積將之前產生的效果累加到目前時刻上（卷積的本質是堆砌+變質）。這樣就把不相鄰的信息給使用上了。但是這樣是不是唯一的方法呢？顯然不是，還有一種不那么自動，卻 not intractable方法，叫做PGM。
還是從快速計算條件概率來談PGM。首先是representation，概率圖的表達是一張。。。圖。。。圖當然會有節點，會有邊。節點則為隨機變量（一切都是隨機變量），邊則為依賴關系（現在只談有向圖）。一張典型的概率圖——貝葉斯網絡如下所示：
2.1 相關性
對於一副給定的圖，每個節點都代表一個隨機變量，節點與節點之間通過箭頭相連。似乎這在節點與節點之間形成了“流”。那么節點的流之間是否會和隨機變量的相關性產生聯系？答案是肯定的。考慮幾種典型的流：
顯然直觀的看來，如果x與y直接相連，那么x,y必然是相關的，給出了x的信息則會影響我們對y的判斷。當x與y間接相連時，若x,y呈鏈狀關系，那么影響肯定會傳遞下去，如果x,y不呈鏈狀關系，有共同原因時，則相關；共同發生作用時，則不相關。
這里稱 x->W<-y 為 V 結構。
一般情況下，相關性的傳遞是無法通過V結構的。
但是如果是條件概率的情況下，相關性的傳遞則表現出完全不同的性質。W 是觀測值，如果節點中有隨機變量被觀測了，那么相關性的連接則會全部取反。也就是說，原本通過W相關的兩個變量，在W被觀測的情況下，相關性被分離了。也叫做d-separated.記作：d-sepG(X, Y | Z)
上圖中，當且僅當，G被觀測且沒有其他變化的情況下，S會與D相關。
2.2 因式分解
由上述分析可知，當給定某些觀測時，原本相關的隨機變量可以被分離。
由此我們得出以下定理：
考慮P(D,I,G,L,S)應該怎么計算？如果沒有任何先驗信息，那么應該是按照條件概率公式：
P(D,I,G,L,S) = P(D)*P(I|D)*P(G|I,D)*P(L|I,D,G)*P(S|D,I,G,L);
上式的最后一項，光是對於P(S|D,I,G,L)就需要考慮DIGL所有的可能，並且每增加一個隨機變量，計算的復雜程度就會上升一個檔次。使用貝葉斯鏈式法則，那么上式就可以簡化成以下形式：
從概率圖的角度上來講，其表達了在給定父節點的情況下，任意一個節點都是與其非子節點，都是d分離的。
從概率的角度上來講，任意一個隨機變量，在給定父隨機變量的情況下，和其非子隨機變量，都是d分離的。
或者再通俗一點，一個聰明人，在一場很難的考試里拿了高分，卻得到了一封很爛的推薦信，同時他SAT考試卻是高分的概率是多少？
我們再隱藏一些細節，一個人推薦信很爛，他SAT高分的概率是多少？或者，一個人SAT低分，卻手握牛推的概率是多少？
如果不考慮隨機變量之間的依賴關系，上述內容是很難計算的。但是如果有一個構建好的概率圖，上面的問題則可以轉化為條件概率問題。
通過觀察實驗，我們可以得到一系列的條件概率，通過此條件概率，以及貝葉斯條件概率鏈式法則，則可求的我們想要的那一組隨機變量的概率。
OK，玩具例子結束了，接下來我們來一點真的。如何通過某人血型(A B AB O)及其父母血型推測其基因型(AAAO AB BB BO ....)，首先，我們可以建立一張概率圖，所有的血型B，基因型G，都是隨機變量(節點）。
