拆解WaveGlow

文章目录

• • 生成模型
• 相关内容：WaveNet
• WaveGlow（）

• • 基础知识章节

  • 代码解析章节

  • 损失计算章节

    • 参考资料

想要掌握WaveGlow却感到越来越困惑。许多博客都介绍了新的知识领域：即属于基于流的生成模型（WaveGlow），以及非基于流的知识体系（包括GAN和VAE等）。因此，在深入研究WaveGlow之前得提前打好数学基础

在Glow论文之前, flow-based generative models NICE 和 RealNVP 两个模型奠定了该方法的基础

Generative Model

什么是生成式模型？它试图学习能够产生这些数据样本的概率分布模式，并以此为基础去创建新的、类似的数据实例。
如果它是显式的，则意味着我们需要明确地定义并适应每一个输入的未标注数据样本对应的概率分布函数。
相比之下，在隐式的框架下，并不需要预先定义具体的概率分布函数即可直接进行采样。
GANs（生成对抗网络）作为当前深度学习领域中的终极目标——即隐式的概率密度估计技术——其核心优势在于无需预先设定复杂的数学结构。
而像WaveNet及其变体Pixel CNNs/RNNs这样的显性架构则展现了另一种实现路径——即通过预设的概率密度函数来进行精确建模。

生成式网络有四个分类：

1. 逐像素生成的方式 （