归一化轨迹模型（NTM）将扩散模型每步反向过程建模为条件归一化流，实现精确似然训练。它结合浅层可逆块与深层并行预测器，可从头训练或基于预训练流匹配模型初始化。其精确轨迹似然支持自蒸馏，轻量去噪器四步即可生成高质量图像，在文生图基准上媲美或超越强基线，并保留精确似然。

STARFlow2提出统一多模态生成模型，结合冻结视觉语言模型与自回归归一化流，通过残差连接和统一因果掩码实现连续、单遍生成。它支持文本与图像交错输出，直接进入KV缓存，无需重编码，在图像生成和理解基准上表现优异，验证了自回归流作为统一多模态建模基础的可行性。

本文介绍了迭代去噪的归一化流（iTARFlow），一种新型生成模型。与扩散模型不同，iTARFlow在训练中保持完全的端到端似然目标，并在采样时结合自回归生成和迭代去噪过程。实验结果表明，iTARFlow在不同分辨率的图像生成任务中表现优异，展现了其作为强大生成模型的潜力。

Softmax通过两步将分数转化为概率分布：首先取指数以确保分数为正，然后进行归一化以得到权重。转置操作QKᵀ确保查询和键的相似度计算顺利进行。

本文重新审视了第一归一化不完全矩，这是一种在经济和社会科学中广泛应用的不平等度量。尽管该度量流行，但现有的统计推断未能满足现代分析需求。为此，提出了一种直观、计算高效且适应非标准情况的新方法。通过模拟和实际案例展示了该方法的理论和实践优势，并指出行业常见做法可能导致统计推断的挑战和误导决策。

特征缩放是机器学习中的重要预处理步骤，能够提高模型性能。常见的缩放方法包括归一化、标准化、鲁棒缩放和最大绝对值缩放。特征缩放有助于加快收敛速度和提高准确性，但并非所有模型都需要，树模型对缩放不敏感。选择合适的缩放方法对模型效果至关重要。

批量归一化是一种深度学习技术，旨在稳定训练过程并加速收敛。通过对神经网络各层输入进行归一化，解决内部协变量偏移问题，减少梯度消失现象。该方法通常应用于隐藏层，提高模型鲁棒性并减少过拟合。在Keras中实现批量归一化非常简单，只需在层定义和激活函数之间添加BatchNormalization()。

STARFlow是一种基于归一化流的生成模型，专注于高分辨率图像合成。其核心是Transformer自回归流（TARFlow），结合了归一化流的表达能力与自回归Transformer的结构建模能力。通过深浅设计、在预训练自编码器的潜在空间建模及新颖的引导算法，STARFlow显著提升了可扩展性和样本质量，接近最先进的扩散模型表现。

本文探讨了变换器模型中的归一化技术，重点介绍了LayerNorm和RMS Norm。归一化层在深度学习中至关重要，有助于稳定训练并加速收敛。LayerNorm通过计算均值和方差对输入进行归一化，而RMS Norm则仅进行缩放。理解这些技术有助于构建更稳定和高效的变换器架构。

文章探讨了如何利用聚类算法（如凝聚层次聚类）整理杂乱文件夹。由于大型语言模型（LLM）存在上下文限制，无法一次处理大量文件名，因此需先进行聚类，以避免生成不相关的文件夹名称。选择凝聚层次聚类的原因包括无需预定义聚类数量和支持自定义距离度量。此外，文章强调了归一化和余弦距离在高维嵌入空间中的重要性。

在线性代数中，正交向量的点积为零，可以归一化为单位向量。正交单位向量既正交又大小为1。

在开发音乐播放软件时，我使用IIR滤波器实现音频均衡器功能。极端设置下会产生噪音，常规处理方法无法完全消除。我的改进方案是引入全局绝对最大值α，结合当前组最大值β进行归一化，尽管可能稍微降低音量，但从用户体验来看，这是最佳解决方案。