标准化流程
归一化流是生成模型，它通过一系列可逆、可微的变换将简单的噪声（如高斯）转化为复杂的数据。
概述
Because every step is reversible, they can both generate new samples and compute the exact probability of any data point.
深入探讨
归一化流学习简单基本分布和复杂目标分布（例如图像或音频）之间的双射（一对一、可逆）映射。你堆叠了许多可逆的层；向前运行它们将高斯噪声扭曲成真实的样本，向后运行它们将真实数据映射回噪声。定义技巧是变量变化公式，它允许您通过跟踪每个变换如何通过其雅可比行列式拉伸或收缩体积来计算精确的可能性。与 VAE（近似可能性）或 GAN（不给出任何可能性）不同，流提供精确、易于处理的密度。工程挑战是设计具有表现力的层，同时保持雅可比行列式的计算成本低廉，如 RealNVP、Glow 和自回归流。
技术洞察
数学核心是变量变化公式：log p(x) = log p(z) + log|det(dz/dx)|，其中 z 是从数据 x 映射的噪声。朴素雅可比行列式的成本为 O(n^3)，因此流程使用巧妙的架构、分割维度以使雅可比行列式为三角形的耦合层（RealNVP、Glow）或自回归结构（MAF/IAF），使行列式只是对角项的乘积，因此评估成本低廉。
战略影响
成本与预算
多年来，架构决策决定着性能和运营成本。
更清晰的判决
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
质量控制
更好的工程选择可以减少生产中的可靠性事故。
流量正常化的未来
原始图像质量的扩散模型在某种程度上使纯粹的归一化流黯然失色，但流的想法正在复兴。连续时间公式（连续归一化流、神经常微分方程），尤其是流匹配（Stable Diffusion 3 和许多现代生成器等系统背后的训练方法），将生成重新定义为学习将噪声传输到数据的速度场。只要精确的可能性、可逆性或快速确定性采样很重要，预计流动将保持中心地位，并在概念上与扩散不断融合。
现实世界的实施
密度估计和异常检测，其中流量的确切可能性标记欺诈、制造或网络监控中的低概率（异常）输入
高保真语音合成，例如 Parallel WaveNet 和 WaveGlow，它们使用流快速生成原始音频波形
变分推理，其中逆自回归流使贝叶斯模型和 VAE 中的近似后验更加灵活
模拟物理和化学分布，例如根据能量对分子构型进行采样的玻尔兹曼发生器
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实际负载和数据条件下进行基准测试。
仪器监控错误、漂移和用户影响。
在扩展之前准备回滚和事件响应路径。
不断探索
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
常见问题
What is Normalizing Flows?
归一化流是生成模型，它通过一系列可逆、可微的变换将简单的噪声（如高斯）转化为复杂的数据。由于每个步骤都是可逆的，因此它们既可以生成新样本，又可以计算任何数据点的准确概率。
标准化流中的每个变换必须具有什么数学属性？
流依赖于可逆、可微的变换，因此数据可以映射到噪声并映射回噪声，因此变量变化公式适用。
哪个公式可以让标准化流计算精确的可能性？
log p(x) = log p(z) + log|det(雅可比)|考虑变换如何拉伸或压缩概率体积，给出精确的密度。
为什么像 RealNVP 和 Glow 这样的流架构要使用耦合层？
耦合层仅根据其余维度变换部分维度，产生三角雅可比行列式，其行列式只是对角线的乘积，比 O(n^3) 便宜得多。
与 GAN 相比，标准化流有什么独特的优势？
GAN 没有给出明确的密度，而流计算精确的对数似然，对于密度估计和异常检测很有用。
哪种应用程序最适合标准化流程？
由于流量给出了精确的密度，因此可能性极低的输入可以在欺诈、制造或监控系统中被标记为异常。