在阅读了更多内容后，我得出以下结论：

• 可逆 NN只是表示双射函数的神经网络。$f$

• 归一化流是可逆的 NN，它也具有雅可比的易处理行列式以及易处理的逆。这允许以下解释：让是一些随机变量，其中。然后 因为f有一个易于处理的逆f^{-1} ，所以我们可以通过从另一个分布中采样并使用上面的变换轻松地从两个分布p_X、p_Z之一中采样。$f$$D_x f$$f^{-1}$$X \sim p_X, Z \sim p_Z$$Z = f(X)$

  $$p_X(x) = p_Z(f(x)) \det D_x f .$$ $f$$f^{-1}$$p_X, p_Z$

  这可以通过以下方式应用（仅作为示例）：我们可以训练使得表示图像的分布（例如，由 MNIST 表示）并且 表示高斯分布。然后我们可以通过采样 (Gaussian) 轻松地从图像分布中采样，并将其转换回。$f$$p_X$$p_Z$$Z \sim p_Z$$X = f^{-1}(Z) \sim p_X$

可逆神经网络是用于任何可逆神经网络的通用术语。流神经网络是一种特殊的可逆神经网络。只是构造可逆神经网络相当困难，而流神经网络提供了一个简单的方法。