Pyro 标准化流中使用的网络架构

如何解决Pyro 标准化流中使用的网络架构

我正在阅读有关规范化流程的 Pyro 教程 (https://pyro.ai/examples/normalizing_flows_i.html)，我想更好地了解这些示例是如何在幕后工作的。 例如，我指的是用于获取同心圆示例的边缘分布的网络架构。 在示例中，基本分布（在潜在空间中）是正态分布，流是有理样条：

base_dist = dist.normal(torch.zeros(2),torch.ones(2))
spline_transform = T.Spline(2,count_bins=16)
flow_dist = dist.Transformeddistribution(base_dist,[spline_transform])

根据教程，（样条的）节点及其导数是可以学习的参数，例如，通过最大似然目标的随机梯度下降。作者继续展示如何做到这一点：

%%time
steps = 1 if smoke_test else 1001
dataset = torch.tensor(X,dtype=torch.float)
optimizer = torch.optim.Adam(spline_transform.parameters(),lr=1e-2)
for step in range(steps):
    optimizer.zero_grad()
    loss = -flow_dist.log_prob(dataset).mean()
    loss.backward()
    optimizer.step()
    flow_dist.clear_cache()

    if step % 200 == 0:
        print('step: {},loss: {}'.format(step,loss.item()))

最后，作者指出如何从学习到的分布中采样以获得新样本：

X_flow = flow_dist.sample(torch.Size([1000,])).detach().numpy()

我想知道用于学习这些参数的神经网络的架构是什么，是否有（可能很简单的）方法来修改这个架构。

更一般地说，我想将这些简单的例子应用于学习时间序列数据密度的单变量情况。