nflows:规范化PyTorch中的流。nflows源于bayesiains/nsf,最初发表于:Neural Spline Flows。康纳·杜尔坎、阿图尔·贝卡索夫、伊恩·默里、乔治·帕帕马卡里奥斯。规范化流将复杂概率密度建模为简单基础密度的可逆变换。基于耦合或自回归变换的流都提供了精确的密度估计和采样,但依赖于一个容易可逆的元素转换的参数化,其选择决定了这些模型的灵活性。基于最近的工作,我们提出了一个基于单调有理二次样条的完全可微模块,在保持解析可逆性的同时,增强了耦合和自回归变换的灵活性。我们证明了神经样条流改进了密度估计、变分推理和图像生成建模。