论文地址:glow
终于开始总结流模型的最终成熟版--glow。数学原理跟NICE和RealNVP基本一致,主要是在网络模型上进行了优化。
一、论文概述
1、摘要部分指出了流模型吸引人的地方,对对数似然精确的计算和潜在变量精确的推断,以及训练和合成的并行性。glow模型在之前流模型的基础上采用了可逆的1 x 1卷积核对输入数据进行打乱,简化了网络模型。
2、在背景知识介绍上,主要介绍了流模型背后的数学原理,通过选取三角矩阵简化对雅克比行列式求值的难度。具体可以参考关于流模型的第一篇博客NICE。
3、在第三部分具体介绍glow模型,单步流的第一步是Actnorm层,通过Acrnorm层对数据进行规范化处理,采用每个通道的缩放和偏差参数进行激活,使得小批量的数据在激活后具有零均值和单位方差,而且这两个参数可以进行训练。相当于对数据进行了预处理,避免网络性能的下降。
第二步是可逆的1x1卷积核,目的是采用矩阵乘法实现对各个维度数据的打乱,使信息混合得更加充分,同时采用1x1的卷积核使得参数矩阵可以训练。在其中还涉及到LU分解,使得计算更加方便。
第三步是仿射变换层,训练得出可逆的函数。
整体框架采取了RealNVP的多尺度结构。