Na-emezigharị usoro
Normalizing eruba bụ ụdị mmepụta nke na-atụgharị ụda dị mfe (dị ka Gaussian) n'ime data dị mgbagwoju anya site na ngbanwe nke enweghị ike ịtụgharị, mgbanwe dị iche iche.
Nchịkọta
Because every step is reversible, they can both generate new samples and compute the exact probability of any data point.
Ime miri emi
Usoro na-eme ka ọ dị mma na-amụta maapụ a na-ahụ anya (otu-na-otu, enweghị ike ịtụgharị) n'etiti nkesa ntọala dị mfe yana nkesa ebumnuche mgbagwoju anya dị ka onyonyo ma ọ bụ ọdịyo. Ị na-akwakọba ọtụtụ n'ígwé ndị na-adịghị agbanwe agbanwe; na-agba ọsọ ha na-aga n'ihu warps Gaussian mkpọtụ n'ime ezi sample, na-agba ọsọ ha azụ maapụ ezigbo data azụ na mkpọtụ. Aghụghọ a na-akọwapụta bụ usoro mgbanwe mgbanwe, nke na-ahapụ gị ka ị gbakọọ ohere ọ bụla site n'ịchọ ka mgbanwe ọ bụla si gbatịa ma ọ bụ na-ebelata olu site na mkpebi Jacobian. N'adịghị ka VAEs (nke ọ ga-ekwe omume) ma ọ bụ GAN (nke na-enyeghị nke ọ bụla), mmiri na-enye kpọmkwem njupụta traktị. Ihe ịma aka injinia bụ imepụta ọkwa nke na-egosipụta ma na-edobe mkpebi Jacob dị ọnụ ala iji gbakọọ, dị ka ọ dị na RealNVP, Glow, na ụgbọ mmiri autoregressive.
Nghọta nka nka
Isi mgbakọ na mwepụ bụ usoro mgbanwe-nke-variables: log p(x) = log p(z) + log|det(dz/dx)|, ebe z bụ mkpọtụ e si na data x. Nchọpụta Jacobian na-akwụghị ụgwọ na-efu O (n ^ 3), yabụ mmiri na-eji ọmarịcha ụkpụrụ ụlọ, njikọ njikọta (RealNVP, Glow) nke na-ekewa akụkụ ka Jacobian bụrụ triangular, ma ọ bụ ihe nrụpụta autoregressive (MAF/IAF), na-eme ka onye ahụ bụrụ ngwaahịa nke okwu diagonal wee dị ọnụ ala iji nyochaa.
Mmetụta atụmatụ
Ọnụ ego na mmefu ego
Mkpebi ihe owuwu ụlọ na-akwalite arụmọrụ yana ọnụ ahịa ọrụ ruo ọtụtụ afọ.
Mkpebi doro anya
Nkà mmụta nka na-enyere ndị otu egwuregwu aka ịhọrọ nchịkọta ziri ezi, ọ bụghị naanị nke kachasị ọhụrụ.
Quality akara
Nhọrọ injinia ka mma na-ebelata ihe omume ntụkwasị obi na mmepụta.
Ọdịnihu nke Normalizing Flows
Ụdị mgbasa ozi kpuchirila ọsịsa dị ọcha maka ịdị mma onyonyo, mana echiche ndị na-erugharị na-amaliteghachi. Usoro oge na-aga n'ihu (na-aga n'ihu na-aga n'ihu na-asọ asọ, neural ODEs) na karịsịa na-asọ asọ, usoro ọzụzụ n'azụ usoro dị ka Stable Diffusion 3 na ọtụtụ ndị na-emepụta ihe nke oge a, ọgbọ recast dị ka ịmụta ebe ọsọ na-ebuga mkpọtụ na data. Na-atụ anya ka mmiri ga-adị n'etiti ebe ọ bụla enwere ike, ngbanwe, ma ọ bụ ihe nlere anya na-ekpebi ngwa ngwa, yana ịnọgide na-ejikọta echiche na mgbasa.
Mmejuputa n'ezie n'ụwa
Ntụle njupụta na nchọpụta anomaly, ebe ohere ọ na-erute kpọmkwem na-egosi ntinye puru omume dị ala (nke na-adịghị mma) na aghụghọ, nrụpụta, ma ọ bụ nlekota netwọkụ.
Ngwakọta okwu ntụkwasị obi dị elu, dịka, Parallel WaveNet na WaveGlow, nke na-eji mmiri na-emepụta ụdị ụda olu dị ngwa ngwa.
Ntụle dị iche iche, ebe Inverse Autoregressive Flow na-eme ka azụ azụ dị nso na ụdị Bayesian na VAEs na-agbanwe agbanwe.
Ịmepụta physics na nkesa kemịkalụ, dị ka ndị na-emepụta Boltzmann na-enyocha nhazi molekụla dịka ike ha siri dị.
Ihe ize ndụ & okporo ụzọ nche
Ịkwalite otu akara ngosi nwere ike zoo adịghị ike sistemụ sara mbara.
A na-eledakarị ihe akụrụngwa na ụgwọ ọrụ anya.
Ọdịiche nchekwa na nleba anya nwere ike itolite ka sistemu na-adịwanye mgbagwoju anya.
Map mmejuputa
Kọwaa latency, ịdịmma na ebumnuche ọnụ ahịa tupu mmejuputa ya.
Benchmark n'okpuru ibu dị adị na ọnọdụ data.
Nleba anya akụrụngwa maka mperi, ịkpafu na mmetụta onye ọrụ.
Kwadebe ụzọ nzaghachi azụghachi azụ na ihe omume tupu ịchachaa.
Nọgide na-eme nchọpụta
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Normalizing Flows quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Ntuziaka na-esote
Vocoder dabere na usoro WaveGlow
Ajụjụ a na-ajụkarị
What is Normalizing Flows?
Normalizing eruba bụ ụdị mmepụta nke na-atụgharị ụda dị mfe (dị ka Gaussian) n'ime data dị mgbagwoju anya site na ngbanwe nke enweghị ike ịtụgharị, mgbanwe dị iche iche. N'ihi na usoro ọ bụla na-agbanwe agbanwe, ha nwere ike ịmepụta ihe nlele ọhụrụ wee gbakọọ ihe puru omume nke ebe data ọ bụla.
Kedu ihe akụrụngwa mgbakọ na mwepụ ọ bụla ga-enwerịrị mgbanwe ọ bụla n'usoro nrịbama na-emezigharị?
Mmiri na-adabere na mgbanwe ndị a na-apụghị ịgbagha agbagha, mgbanwe dị iche iche ka enwere ike ịdepụta data na mkpọtụ na azụ, ya mere usoro mgbanwe mgbanwe na-emetụta.
Kedu usoro na-enye ohere ịmegharị usoro ịgba ọsọ na-agbakọ kpọmkwem ohere?
log p(x) = log p(z) + log|det(Jacobian)| na-ekwu maka ka mgbanwe ahụ si gbatịa ma ọ bụ kpakọba ụda nke puru omume, na-enye oke njupụta.
Kedu ihe kpatara ụlọ ọrụ mgbaba dị ka RealNVP na Glow ji ejikọ njikọ?
Ngwunye njikọta na-agbanwe naanị akụkụ nke akụkụ ahụ dabere na ndị ọzọ, na-emepụta Jacobian triangular nke ihe na-achọpụta ya bụ naanị ngwaahịa nke diagonal, dị ọnụ ala karịa O(n^3).
E jiri ya tụnyere ndị GAN, kedu uru pụrụ iche na-enye normalize mmiri?
Ndị GAN enyeghị njupụta doro anya, ebe mmiri na-agbakọ na-agbakọ kpọmkwem ohere log, bara uru maka njupụta njupụta na ịchọpụta ihe adịghị mma.
Kedu ngwa bụ ihe dị mma maka ịmegharị ọsọ ọsọ?
N'ihi na ọwa mmiri na-enye oke njupụta, ntinye nwere ike dị ala nwere ike igosipụta dị ka ihe na-adịghị mma na usoro aghụghọ, nrụpụta, ma ọ bụ nleba anya.