نطور خوارزمية تعلم عميق (DL) تكرارية (بأسلوب جشع) قادرة على تحويل دالة توزيع احتمالي (PDF) عشوائية إلى دالة توزيع احتمالي مستهدفة. تعتمد النموذج على نقل مثالي تكراري لسلسلة من المقاطع أحادية البعد، حيث يتم مطابقة التوزيع الحدي لكل مقطع مع التوزيع المستهدف. وتُختار محاور المقاطع المتعامدة بحيث تُحدّد في كل تكرار لزيادة الفرق بين دوال التوزيع باستخدام مسافة واسرستاين، مما يمكّن الخوارزمية من التوسع بكفاءة في الأبعاد العالية. كحالات خاصة من هذه الخوارزمية، نقدّم نموذجين جديدين لتدفق التطبيع المقطعي التكراري (SINF)، أحدهما يحوّل البيانات إلى الفضاء الخفي (GIS)، والآخر يُعاكس هذه العملية (SIG). ونُظهر أن نموذج SIG قادر على إنتاج عينات عالية الجودة من مجموعات بيانات الصور، مُتَّسقة مع معايير نماذج GAN، في حين يُحقّق نموذج GIS نتائج تنافسية في مهام تقدير الكثافة مقارنةً بنماذج تدفق التطبيع المدربة على الكثافة، مع ميزة الاستقرار الأفضل، والسرعة الأعلى، وتحقيق قيم أعلى لـ $p(x)$p(x) عند التدريب على مجموعات تدريب صغيرة. يختلف نهج SINF بشكل كبير عن النموذج الحالي للتعلم العميق، إذ يعتمد على نهج جشع ولا يستخدم مفاهيم مثل التجميع الجزئي (mini-batching)، والانحدار التدرجي العشوائي (stochastic gradient descent)، أو انتشار التدرج العكسي عبر الطبقات العميقة.