生成模型实战 | 自回归流MAF详解与实现

0. 前言

流模型 (Normalizing Flow) 是一类强大的生成模型。其核心思想是通过一系列可逆且易于计算雅可比行列式的变换，将一个简单的先验分布(如标准正态分布)转换为一个复杂的目标分布(如真实图像数据分布)。掩码自回归流 (Masked Autoregressive Flow, MAF) 是流模型中的重要变体，它结合了自回归模型和流变换，提供了强大的密度估计和采样能力。在本节中，将使用 PyTorch 从零开始实现 MAF 模型。

1. MAF 核心原理

1.1 流模型基础

流模型的目标是学习一个双射函数 f : R d → R d f : \mathbb{R}^d \rightarrow \mathbb{R}^d