Generative Deep Learning, 2ª Edição

Capítulo 6. Normalização de modelos de fluxo

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Objectivos do capítulo

Neste capítulo, vais aprender:

• Aprende como normalizar modelos de fluxo utilizando a equação de mudança de variáveis.

• Vê como o determinante Jacobiano desempenha um papel vital na nossa capacidade de calcular uma função de densidade explícita.

• Compreende como podemos restringir a forma do Jacobiano utilizando camadas de acoplamento.

• Vê como a rede neural foi concebida para ser invertível.

• Constrói um modelo RealNVP - um exemplo particular de um fluxo de normalização para gerar pontos em 2D.

• Utiliza o modelo RealNVP para gerar novos pontos que parecem ter sido retirados da distribuição de dados.

• Conhece duas extensões fundamentais do modelo RealNVP, GLOW e FFJORD.

Até agora, discutimos três famílias de modelos generativos: autoencoders variacionais, redes adversárias generativas e modelos autoregressivos. Cada um deles apresenta uma forma diferente de abordar o desafio de modelar a distribuição $p\left(x\right)$introduzindo uma variável latente que pode ser facilmente amostrada (e transformada utilizando o descodificador em VAEs ou o gerador em GANs), ou modelando a distribuição de forma acessível como uma função dos valores dos elementos anteriores (modelos autoregressivos).

Em este capítulo, abordaremos uma nova família de modelos generativos - modelos de fluxos normalizadores. Como ...