文件名称：normalizing_flows:密度估计算法的 Pytorch 实现
文件大小：2.92MB
文件格式：ZIP
更新时间：2024-08-13 14:45:14
deep-learning probability normalizing-flows density-estmation Python
标准化流程 密度估计算法的重新实现来自： 阻止神经自回归流 BNAF 在玩具密度估计数据集上的实现。 结果 2d 玩具数据的密度估计和 2d 测试能量势的密度估计（参见论文中的图 2 和 3）： 除了具有 5 个隐藏层的rings数据集（右下）之外，这些模型使用论文第 5 节中描述的架构和超参数训练了 20,000 步。 模型训练速度明显快于 Rezende & Mohamed 中的平面流模型，并且更加稳定； 有趣的是，BNAF 以不同的方式拉伸空间，需要更多的测试点来显示平滑的潜力。 二维能量势上的密度匹配 二维玩具数据的密度估计 用法 训练模型： python bnaf.py --train --dataset # choice from u1, u2, u3, u4, 8gaussians, checkerboard, 2spi
【文件预览】：
normalizing_flows-master
----images()
--------bnaf()
--------maf()
--------nf()
--------glow()
----readme.md(12KB)
----test.py(17KB)
----.gitignore(55B)
----planar_flow.py(12KB)
----glow.py(35KB)
----maf.py(31KB)
----bnaf.py(20KB)
----datasets()
--------miniboone.py(2KB)
--------gas.py(2KB)
--------hepmass.py(3KB)
--------toy.py(1KB)
--------mnist.py(3KB)
--------util.py(2KB)
--------power.py(2KB)
--------__init__.py(283B)
--------celeba.py(5KB)
--------moons.py(512B)
--------download_celeba.py(8KB)
--------bsds300.py(2KB)
----data.py(4KB)