Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Flow-based Deep Generative Models
Flow-based Deep Generative Models是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需要概率密度、变量替换、线性代数（矩阵、行列式）基础，并了解 GAN 与 VAE 的基本概念。
读懂基于流的生成模型基础：GAN、VAE 与流模型在建模 p(x) 上的差异，Jacobian 矩阵与行列式、变量替换定理，以及 normalizing flow 用一串可逆变换把简单分布变为复杂分布并逐层更新密度的做法。
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
公开网页，无需账号即可阅读全文。
- 练习与作业
- 开课提示词尚未实际运行验证
- 内容提示
- 内容时效：网页标注 2018 年 10 月 13 日发布，文中引用文献最新为 2018 年，此后生成模型领域有重要变化。
学完你能
- 说明 GAN、VAE 与基于流的生成模型在建模 p(x) 上的区别
- 计算简单映射的 Jacobian 矩阵与行列式，并用行列式判断矩阵是否可逆
- 用变量替换定理由已知密度推出变换后变量的密度，写出单变量与多变量形式
- 描述 normalizing flow 用一串可逆变换把简单分布变换为复杂分布的过程
- 写出 z_i = f_i(z_{i-1}) 的逐层密度更新公式并解释各项含义
适合你吗
适合
想系统理解生成模型密度估计、在学完 GAN/VAE 之后想补齐 normalizing flows 这一支的学习者。
暂不适合
只想看可运行代码或动手实现模型的学习者：节选以公式推导和概念讲解为主，未见代码与练习。
需要先会
需要概率密度、变量替换、线性代数（矩阵、行列式）基础，并了解 GAN 与 VAE 的基本概念。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 无配套练习；可在阅读时手写推导变量替换定理与 normalizing flow 的逐层密度更新公式作为练习。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费节选可见完整正文与公式，未见付费墙或登录拦截，也无付费提示。
内容覆盖
- Types of Generative Models
- Linear Algebra Basics Recap：Jacobian Matrix and Determinant
- Change of Variable Theorem
- What is Normalizing Flows?
- Models with Normalizing Flows（节选未含正文）
- Models with Autoregressive Flows（节选未含正文）
- VAE + Flows（节选未含正文）
- Reference（节选未含正文）
常见问题
免费吗？
免费：节选可见完整正文与公式，未见付费墙或登录拦截，也无付费提示。实践无额外费用：原文为概念讲解，未要求云服务、API 或 GPU。
需要什么基础？
需要概率密度、变量替换、线性代数（矩阵、行列式）基础，并了解 GAN 与 VAE 的基本概念。软件、账号与硬件：无需安装软件，浏览器阅读即可；文中公式含 LaTeX，建议在支持公式渲染的页面阅读。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2018-10-13-flow-models/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。