DalšíDalší průvodce
Vocoder založený na WaveGlow Flow
Zvuková AI
Technický PRŮVODCE
Normalizační proudy mapují jednoduché základní rozdělení na složitější rozdělení pomocí inverzních, diferencovatelných transformací.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Tractable Jacobian determinants allow these models to generate samples and evaluate probability densities.
A normalizing flow learns a bijective (one-to-one, invertible) mapping between a simple base distribution and a complicated target distribution such as images or audio. You stack many invertible layers; running them forward warps Gaussian noise into a realistic sample, and running them backward maps real data back to noise. The defining trick is the change-of-variables formula, which lets you evaluate tractable model densities by tracking how each transformation stretches or shrinks volume via its Jacobian determinant. Unlike VAEs (which approximate likelihood) or GANs (which give none), flows can offer tractable model densities when the architecture permits the required inverse and Jacobian evaluation. The engineering challenge is designing layers that are expressive yet keep the Jacobian determinant cheap to compute, as in RealNVP, Glow, and autoregressive flows.
A density-estimation team evaluates flow likelihoods as one signal for anomaly detection, then tests whether that signal separates relevant anomalies.
Flow-based audio models such as WaveGlow generate waveforms from a noise distribution.
Inverse Autoregressive Flows make variational posterior approximations more flexible.
Boltzmann generators use invertible transformations to sample molecular configurations.
Čisté normalizační toky byly poněkud zastíněny difúzními modely pro nezpracovanou kvalitu obrazu, ale myšlenky toků se znovu objevují. Formulace se spojitým časem (nepřetržité normalizační toky, neurální ODR) a zejména přizpůsobení toku, trénovací metoda za systémy jako Stable Diffusion 3 a mnoha moderními generátory, přeformulují generování jako učení rychlostního pole, které přenáší šum do dat. Očekávejte, že toky zůstanou centrální všude tam, kde záleží na přesné pravděpodobnosti, invertibilitě nebo rychlém deterministickém vzorkování, a že se budou nadále koncepčně slučovat s difúzí.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Normalizing flows map a simple base distribution to a more complex distribution through invertible, differentiable transformations. Tractable Jacobian determinants allow these models to generate samples and evaluate probability densities.
Toky se spoléhají na invertovatelné, diferencovatelné transformace, takže data lze mapovat na šum a zpět, a tak platí vzorec pro změnu proměnných.
log p(x) = log p(z) + log|det(jacobiansky)| zohledňuje, jak transformace natahuje nebo stlačuje objem pravděpodobnosti, čímž dává přesnou hustotu.
Spojovací vrstvy transformují pouze část rozměrů na základě zbytku a vytvářejí trojúhelníkový Jacobian, jehož determinant je právě součin úhlopříčky, mnohem levnější než O(n^3).
An invertible flow with tractable Jacobian calculation can evaluate its model density. This is distinct from proving that likelihood is an adequate anomaly score.
Likelihood can be a useful signal, but generative models can assign unexpectedly high likelihoods to out-of-distribution inputs.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Vocoder založený na WaveGlow Flow
Zvuková AI