积少成多

（前提：数学原理很多）

可以看出实际上真正做的时候，噪声并不是一点一点加进去的，而是一次性的加进去了，去噪声的时候也是直接去除。与后面的数学原理相关。简单来说，两个过程，前向过程，向原图形中加噪声变为纯噪声图像；其中，去噪内部的工作流程：内部首先预测图片中的噪音，在输入图像上减去产生的噪音，达到去噪的效果。流程框架，基本包含三个元件：文字编码器，生成模型，解码，三个通常是分开训练再组合。，所以去噪模型的输出要和这个接近，也就是输出这个，在这个式子中，需要预测的只有。扩散模型，从一堆噪音里去除不需要的噪音，得到需要的图像。

常用的、基于深度学习的生成模型、实现图像数据增强方法分类

一般情况下，我们只使用到cpu处理，不使用GPU加速。但是使用tensorflow、PyTorch等库时如果训练的数据比较多时间比较长时，需要GPU加速，而不同的深度学习库之间需要的GPU中的cuda和cudnn的版本又不同，所以如果同时需要两个库都加速使用的话，安装在一起只能使用其中一个，所以一般情况下在安装tensorflow、PyTorch都会单独建立自己的虚拟环境。当然比如已经安装了tensorflow的虚拟环境，我们还会用到open-cv,那要也单独安装open-cv的虚拟环境吗？

回归、分类、评估