🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
💡
可逆变换的精确似然标准化流(Normalizing Flows)是一类特殊的生成模型：它通过一系列可逆变换，把简单的高斯分布"扭曲"成复杂的数据分布。因为变换可逆，它不仅能生成样本，还能精确计算任何数据的似然——这是GAN做不到的(GAN无法评估给定数据的概率)。RealNVP和Glow是两个经典实现，Glow甚至能生成逼真的人脸。但流的致命限制是：可逆性要求变换的输入输出维度相同，且雅可比行列式必须易于计算——这严重限制了模型架构的设计自由度，也是流逐渐被扩散模型取代的原因。
来源：Kingma & Dhariwal, "Glow: Generative Flow with Invertible 1x1 Convolutions", NeurIPS 2018
一句话总结
💡
流模型通过一系列可逆变换将简单分布变为复杂分布，支持精确似然计算和高效采样。
常见误区
这些坑别踩
✗
误区 1
流模型和扩散模型一样。
✓
正确理解
流模型用可逆变换有精确似然，扩散是随机过程只有下界，二者不同。
✗
误区 2
任意神经网络都可作为流模型的变换。
✓
正确理解
变换必须可逆且雅可比行列式可高效计算，对架构有严格限制。
✗
误区 3
流模型生成质量最高。
✓
正确理解
流模型似然精确但生成质量通常不及扩散和 GAN，表达力受可逆性约束。