一、简述
Flow模型是生成模型，目标是找到输入样本的分布。Flow模型选择直接直面生成模型的概率计算。
流模型有一个非常与众不同的特点是，它的转换通常是可逆的。也就是说，流模型不仅能找到从A分布变化到B分布的网络通路，并且该通路也能让B变化到A，简言之流模型找到的是一条A、B分布间的双工通路。当然，这样的可逆性是具有代价的——A、B的数据维度必须是一致的。
A、B分布间的转换并不是轻易能做到的，流模型为实现这一点经历了三个步骤：最初的NICE实现了从A分布到高斯分布的可逆求解；后来RealNVP实现了从A分布到条件非高斯分布的可逆求解；而最新的GLOW，实现了从A分布到B分布的可逆求解，其中B分布可以是与A分布同样复杂的分布。
二、建模思想
给定两组数据z和x，其中z服从已知的简单先验分布π(z)（通常是高斯分布），x服从复杂的分布p(x)（即训练数据代表的分布），现在我们想要找到一个变换函数f，它能建立一种z到x的映射f。
如果这个变换函数能找到的话，那么我们就实现了一个生成模型的构造。因为现在如果我们想要有新的生成，只需要从π(z)中随机采样一个点，然后通过映射f，就可以得到新的样本点x。
三、数学基础
3.1
假设x、z满足简单的均匀分布，那么构建z与x之间的变换关系只需要构造一个线性函数即可：x=f(z)=2z+1。
3.2 下面再考虑非均匀分布的更复杂的情况:
我们可以考虑在很短的间隔上将二者视为简单均匀分布，然后应用前边方法计算小段上的，最后将每个小段变换累加起来（每个小段实际对应一个采样样本）就得到最终的完整变换式f。
（相同的面积可以确保它们处理了对应信息量的任务）
又考虑到dz/dx有可能是负值（如下图所示），而p(x’)Π(z’)都为非负，所以p(x’)、Π(z’)的实际关系为p(x’)=Π(z’)|dz/dx|。
3.3
3.4 （注意：这个地方将上文中的f换成G，其实只是一个符号，本质是一样的）
G*是我们要求的。
四、如何求解3.4中的G*
4.1 要求解G*，就是要计算
有着一些困难
①
不好计算，因为的
Jacobian矩阵一般维度不低（譬如256*256矩阵），其行列式的计算量是异常巨大的，所以在实际计算中，我们必须对的Jacobian行列式做一定优化，使其能够在计算上变得简洁高效。
②需要巧妙地设计G的结构使得也是好计算的
4.2 逐步设计的结构
要求：G的输入和输出的维度必须是一致的并且G的行列式不能为0。
从上面的表达式中我们可以看出其只和有关，所以在实际训练中我们可以训练对应的网络，然后想办法算出G来并且在真实运行的时候改用G做图像生成。
4.2.1
这样设计的耦合层能快速计算出，其在G的Jacobian行列式的计算上也是非常简便。注：就是在学习β、γ。
4.2.2
上述措施对G做了诸多限制，导致G的变换能力有限，所以我们可以堆叠多个G，去增强模型的变换拟合能力。
多个耦合层堆叠在一起，从而形成一个更完整的生成器。但是这样会有一个新问题，就是最终生成数据的前d维与初始数据的前d维是一致的，这会导致生成数据中总有一片区域看起来像是固定的图样（实际上它代表着来自初始高斯噪音的一个部分）
4.2.3
我们可以通过将复制模块（copy）与仿射模块（affine）交换顺序的方式去解决4.2.2一问题。
如上图所示，通过将某些耦合层的copy与affine模块进行位置上的互换，使得每一部分数据都能走向copy->affine->copy->affine的交替变换通道，这样最终的生成图像就不会包含完全copy自初始图像的部分。值得说明的是，在图像生成当中，这种copy与affine模块互换的方式有很多种。
4.2.4
W矩阵，帮我们决定按什么样的顺序做copy和affine变换，这种方法叫做1×1 convolution。1×1
convolution只需要让机器决定在每次仿射计算前对图片哪些区域实行像素对调，而保持copy和affine模块的顺序不变，这实际上和对调copy和affine模块顺序产生的效果是一致的。其中W矩阵是可以由机器来学习的。引入1×1
convolution后的G的Jacobian行列式计算依然非常简单。
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
1099
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
