Aprendizaje profundo generativo, 2ª edición

Capítulo 6. Normalización de los modelos de flujo

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Objetivos del capítulo

En este capítulo:

• Aprende cómo normalizar los modelos de flujo utilizando la ecuación de cambio de variables.

• Observa cómo el determinante jacobiano desempeña un papel vital en nuestra capacidad para calcular una función de densidad explícita.

• Comprende cómo podemos restringir la forma del jacobiano utilizando capas de acoplamiento.

• Observa cómo la red neuronal está diseñada para ser invertible.

• Construye un modelo RealNVP, un ejemplo particular de flujo normalizador para generar puntos en 2D.

• Utiliza el modelo RealNVP para generar nuevos puntos que parezcan extraídos de la distribución de datos.

• Conoce dos extensiones clave del modelo RealNVP, GLOW y FFJORD.

Hasta ahora, hemos hablado de tres familias de modelos generativos: los autocodificadores variacionales, las redes generativas adversariales y los modelos autorregresivos. Cada una presenta una forma distinta de abordar el reto de modelar la distribución $p\left(x\right)$ya sea introduciendo una variable latente que se pueda muestrear fácilmente (y transformar utilizando el descodificador en los VAE o el generador en los GAN), o modelando de forma manejable la distribución en función de los valores de los elementos precedentes (modelos autorregresivos).

En este capítulo trataremos una nueva familia de modelos generativos: los ...