Generatives Deep Learning, 2. Auflage

Kapitel 6. Flussmodelle normalisieren

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Kapitel Ziele

In diesem Kapitel lernst du:

• Lerne, wie normalisierende Strömungsmodelle die Gleichung der Variablenänderung nutzen.

• Du wirst sehen, dass die Jacobi-Determinante eine wichtige Rolle dabei spielt, eine explizite Dichtefunktion zu berechnen.

• Verstehe, wie wir die Form der Jakobi mithilfe von Kopplungsschichten einschränken können.

• Sieh dir an, wie das neuronale Netz so aufgebaut ist, dass es invertierbar ist.

• Erstelle ein RealNVP-Modell - ein besonderes Beispiel für einen normalisierenden Fluss, um Punkte in 2D zu erzeugen.

• Verwende das RealNVP-Modell, um neue Punkte zu erzeugen, die aussehen, als seien sie aus der Datenverteilung gezogen worden.

• Lerne zwei wichtige Erweiterungen des RealNVP-Modells kennen: GLOW und FFJORD.

Bisher haben wir drei Familien von generativen Modellen besprochen: Variationale Autocoder, generative adversarische Netzwerke und autoregressive Modelle. Jedes dieser Modelle geht auf unterschiedliche Weise an die Herausforderung heran, die Verteilung zu modellieren $p\left(x\right)$entweder durch die Einführung einer latenten Variable, die leicht abgetastet (und mit dem Decoder in VAEs oder dem Generator in GANs umgewandelt) werden kann, oder durch die nachvollziehbare Modellierung der Verteilung als Funktion der Werte vorhergehender Elemente (autoregressive Modelle). ...