【PyTorch][chapter 28][李宏毅深度学习][Diffusion Model-3]

深度学习中的扩散模型原理与实现

最新推荐文章于 2025-11-23 19:13:18 发布

原创

最新推荐文章于 2025-11-23 19:13:18 发布 · 837 阅读

·

28

·

CC 4.0 BY-SA版权

4AM_明朝百晓生

文章标签：

前言：

生成模型里面发展： AE-> VAE-> GAN ->WGAN -> Diffusiong

本篇我们重点是推导一下Diffusion 模型用的3个公式：

下面红色的是用到了VAE重采样的原理

论文地址： https://proceedings.neurips.cc/paper/2020/file/4c5bcfec8584af0d967f1ab10179ca4b-Paper.pdf

目录：

Forward Diffusion Process 原理
贝叶斯公式
Reverse diffusion process 原理
代码实现

一 Forward Process: Diffusion 原理

1.1 学习目的

掌握下面2个公式的原理：

$x_t=\sqrt{1-\beta_t}x_{t-1} +\sqrt{1-\beta_t}\epsilon_t$

$x_t=\sqrt{\bar{\alpha_t}}x_0+\sqrt{(1-\bar{\alpha_t})}\epsilon$

其中：

$\beta_t$ : 超参数,递增的超参数 0.02 至 0.0001 之间 $\beta_t=\beta_1+\beta_T *\frac{t-1}{T}$

$\alpha_t=1-\beta_t$

$\bar{\alpha_t}=\prod_{i=0}^{t}\alpha_i$

1.2 高斯分布回顾

本节从一个服从高斯分布的随机变量的背景知识开始,我们表示概率密度函数如下：

$u$ : 均值

$\sigma^2$ : 方差

如果两个变量 $X \sim N(u_X,\sigma_X^2)$ 且 $Y \sim N(u_Y,\sigma_Y^2)$ &nb

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。