最近，著名人工智能研究组织OpenAI发布了其最新工作：《Glow：更好的可逆生成模型》（《Glow：BetterReversible Generative Models》）。

据文章介绍，Glow是一个可逆的生成模型，它使用了可逆的1×1卷积。它基于以前关于可逆生成模型的研究，并简化了体系结构。该模型能够生成逼真的高分辨率图像，支持有效的采样，并能发现可用于数据处理的特征。研究人员公开了模型代码和一个在线可视化工具，以便人们能够使用这个模型并继续开展研究。

生成模型是基于观察数据，然后学习出如何生成这些数据的模型。学习数据生成过程需要学习数据中存在的结构，成功的模型应该能够生成与数据相似的输出。精确生成模型具有广泛的应用，包括语音合成、文本分析与合成、半监督学习和基于模型的控制。研究人员提出的技术也可以应用于这些问题。

Glow是一种可逆的生成模型，也称为基于流的生成模型，是NICE和RealNVP技术的延伸。相比于GAN和VAES，基于流的生成模型在研究领域中关注较少。

而基于流的生成模型的优点包括：

精确的潜变量推断和最大似然估计。在VAE中，只能近似推断对应于数据点的潜变量的值。GAN根本没有编码器来推断潜在的情况。在可逆的生成模型中，推断潜在情况可以在没有近似的情况下精确完成。这不仅可以导致精确的推断，而且还可以优化最大似然估计。

有效推理和有效生成。自回归模型，例如PixelCNN，也是可逆的，但是从这些模型很难并行化，而且通常在并行时效率很低。基于流的生成模型，如Glow和RealNVP，对于推理和生成来说都是高效的并行化模型。……