PyTorch-流模型

一个基于 PyTorch 的实现，包含了 掩码自回归流 以及来自 Glow: 基于可逆 1x1 卷积的生成流 和 使用 Real NVP 进行密度估计 中的一些其他可逆变换。

对于 MAF，我的实验结果与论文中报告的结果相近。而 GLOW 还需要进一步的工作。

运行

python main.py --dataset POWER

当前可用的数据集有 POWER、GAS、HEPMASS、MINIBONE 和 BSDS300。目前我已移除了 MNIST 和 CIFAR10 数据集，因为我计划稍后加入基于像素的模型。

数据集

这些数据集来源于 原始 MAF 仓库。请按照 说明 获取它们。

测试

测试用于验证可逆性，你可以通过以下命令运行：

pytest flow_test.py

pytorch-flows 快速上手指南

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：建议 Python 3.6+
• 核心依赖：
  • PyTorch (深度学习框架)
  • pytest (用于运行可逆性测试)
• 数据集：本项目依赖 UCI 机器学习库中的特定数据集（POWER, GAS, HEPMASS, MINIBONE, BSDS300）。需参考 原始 MAF 仓库 的说明下载并放置数据。

提示：国内开发者安装 PyTorch 时，推荐使用清华或阿里镜像源以加速下载： pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码到本地：

   git clone <repository_url>
   cd pytorch-flows
   

2. 安装必要的 Python 依赖包：

   pip install -r requirements.txt
   

   (注：若项目中无 requirements.txt 文件，请手动执行 pip install torch pytest)

3. （可选）运行测试以验证环境配置及模型的可逆性：

   pytest flow_test.py
   

基本使用

本项目目前支持基于密度的估计任务。最简单的运行方式是使用内置脚本加载默认数据集进行训练。

运行示例：

以下命令将使用 POWER 数据集启动训练流程：

python main.py --dataset POWER

可用数据集： 当前支持的 --dataset 参数包括：

• POWER
• GAS
• HEPMASS
• MINIBONE
• BSDS300

注意：MNIST 和 CIFAR10 数据集暂时已从代码中移除，作者计划后续添加基于像素的模型支持。