今天要讲的就是第四种模型，基于流的生成模型（Flow-based Generative Model）。 在讲Flow-based Generative Model之前首先需要回顾一下之前GAN的相关内容，我们知道GAN的目标就是通过生成器学习得到一个生成分布，并使其尽可能的接近于真实的数据分布。

Inverse Autoregressive Flow. 与MAF类似，逆自回归流（IAFKingma等人，2016）将目标变量的条件概率也建模为自回归模型，但流向相反，从而实现更高效的采样过程。 首先，让我们reverse MAF中的仿射变换。

2018年10月13日 · Here is a quick summary of the difference between GAN, VAE, and flow-based generative models: Generative adversarial networks: GAN provides a smart solution to model the data generation, an unsupervised learning problem, as a supervised one.

2024年2月28日 · 但是！Flow 却有一种办法，可以做到直接最大化我们的目标函数！下面我们就来介绍一下 Flow 究竟是怎么做到的。 数学基础与核心公式推导. 在讲 Flow 的原理之前，我们需要先简单了解一些数学基础。

2019年6月30日 · 流模型（Flow-based Models）是一类基于可逆变换的生成模型，旨在通过一系列可逆的、可微分的变换将复杂的数据分布映射到一个简单的先验分布（通常是标准正态分布）。

2019年6月30日 · 综上，关于 Flow-based Model 的理论讲解和架构分析就全部结束了，它通过巧妙地构造仿射变换的方式实现不同分布间的拟合，并实现了可逆计算和简化雅各比行列式计算的功能和优点，最终我们可以通过堆叠多个这样的耦合层去拟合更复杂的分布变化（如上图所示 ...

众所周知，目前主流的生成模型包括 VAE 和 GAN，但事实上除了这两个之外，还有基于 flow 的模型（flow 可以直接翻译为“流”，它的概念我们后面再介绍）。 事实上 flow 的历史和 VAE、GAN 它们一样悠久，但是 flow 却鲜为人知。

A flow-based generative model is a generative model used in machine learning that explicitly models a probability distribution by leveraging normalizing flow, [1] [2] [3] which is a statistical method using the change-of-variable law of probabilities to transform a …

基于流的生成模型 （英語： flow-based generative model）是 机器学习 中的一类 生成模型，利用 归一化流 （normalizing flow）显式建模 概率分布。 [1][2][3] 这是一种使用 概率密度 变量变换法将简单分布转换为复杂分布的统计方法。 直接建模 似然函数 具有很多优点。 例如，可以直接计算得到负对数似然并将其作为 损失函数 最小化。 此外，通过从初始分布中采样并应用流变换可以生成新的样本。 相比之下， 变分自编码器 、 生成对抗网络 等其他生成模型无法显式地表示似然 …

流模型的概念是設計出一個函數，讓我們可以將一個我們已知如何生成樣本的分布（例如高斯分布）轉換成訓練資料的分布。 上圖取自於 Lilian Weng 的文章 Flow-based Deep Generative Models [1]。 p(z0) p (z 0) 是一個高斯分布，經過一步一步的轉換以後， x 便是最後我們想要生成的樣本。 可以看出來在這個過程中機率分布會變得越來越複雜，意思是在學習過程中機率分布會越來越逼近於訓練資料的分布，這也是這個機器學習問題的目的：要學出一個機率分布 p(x) p (x) 使其逼 …