Les modèles basés sur l'énergie (EBM) sont des modèles polyvalents d'estimation de la densité qui paramètrisent directement une densité logarithmique non normalisée. Bien que très flexibles, les EBM ne disposent pas d'une constante de normalisation spécifiée pour le modèle, ce qui rend la vraisemblance du modèle difficile à calculer. Plusieurs échantillonneurs approximatifs et techniques d'inférence variationnelle ont été proposés pour estimer les gradients de log-vraisemblance pour l'entraînement. Ces techniques ont donné des résultats prometteurs dans la génération d'échantillons, mais peu d'attention a été accordée à la précision statistique de la densité estimée, comme la détermination de l'importance relative des différentes classes dans un ensemble de données. Dans ce travail, nous proposons un nouvel algorithme d'apprentissage par maximum de vraisemblance pour les EBM qui utilise un type différent de modèle génératif, les Normalizing Flows (NF), qui ont été récemment proposés pour faciliter l'échantillonnage. Notre méthode adapte un NF à un EBM pendant l'entraînement, de sorte qu'un plan d'échantillonnage assisté par NF fournit un gradient précis pour les EBM à tout moment, ce qui aboutit finalement à un échantillonneur rapide pour la génération de nouvelles données.