Generative Deep Learning, 2a edizione

Capitolo 6. Normalizzazione dei modelli di flusso

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Obiettivi del capitolo

In questo capitolo scoprirai:

• Scopri come i modelli di normalizzazione del flusso utilizzano l'equazione del cambiamento delle variabili.

• Scopri come il determinante jacobiano gioca un ruolo fondamentale nella nostra capacità di calcolare una funzione di densità esplicita.

• Capire come limitare la forma della Jacobiana utilizzando i livelli di accoppiamento.

• Guarda come la rete neurale è stata progettata per essere invertibile.

• Costruire un modello RealNVP, un esempio particolare di flusso normalizzatore per generare punti in 2D.

• Usa il modello RealNVP per generare nuovi punti che sembrano essere stati estratti dalla distribuzione dei dati.

• Scopri due estensioni chiave del modello RealNVP, GLOW e FFJORD.

Finora abbiamo parlato di tre famiglie di modelli generativi: gli autoencoder variazionali, le reti generative avversarie e i modelli autoregressivi. Ognuna di esse presenta un modo diverso di affrontare la sfida della modellazione della distribuzione $p\left(x\right)$introducendo una variabile latente che può essere facilmente campionata (e trasformata utilizzando il decodificatore nelle VAE o il generatore nelle GAN), oppure modellando in modo pratico la distribuzione come una funzione dei valori degli elementi precedenti (modelli autoregressivi).

In questo ...