weixin_62827806的博客

LoRA（Low-Rank Adaptation）是一种用于微调大型预训练神经网络模型的技术。这种方法特别适用于那些结构庞大且参数众多的模型，例如GPT-3、BERT或其他基于Transformer的架构。LoRA的主要目标是在保持模型大部分参数不变的前提下，通过调整相对较小的一部分参数来适应新的任务或数据集，从而减少训练成本和时间。

Stable Diffusion" 是一种基于扩散模型的深度学习框架，用于生成高质量的图像。它是一种生成模型，通过模拟物理扩散过程，从随机噪声中逐步生成详细和结构化的图像。Stable Diffusion因其稳定性和效率而得名，特别适用于生成与特定文本描述匹配的图像。

DPM++（Diffusion Probabilistic Models Plus Plus）是一种先进的扩散模型，建立在原始扩散概率模型（Diffusion Probabilistic Models, DPM）的基础上，引入了一些关键的改进和优化。这种模型通常被用于生成高质量的图像、音频或其他类型的数据。

深度学习中的扩散模型是一种相对较新的生成模型，它在生成图像、音频和其他类型数据方面显示出了显著的潜力。扩散模型的核心概念是逐步地从一种结构化噪声中生成数据。

随便哪个版本都可以，下载完成后一路next即可，注意设置自己的安装路径，以防找不到：以及：此页第一个选项打勾，添加环境变量。等待环境创建完成后即可输入：activate/conda activate dl 激活此环境。

一，VAE,GAN和扩散模型总体对比特性/模型 VAE GAN 扩散模型 基本原理 通过编码器将数据映射到潜在空间，然后再重建。 通过生成器和鉴别器的对抗训练生成数据。 通过逐渐增加然后减少噪声的过程生成数据。 图像质量 较低，通常较模糊。 高，可以非常逼真。 高，细节丰富。 训练稳定性 较高，相对容易训练。 较低，可能出现模式崩溃等问题。 较高，训练过程稳定。 多样性 较好，能够生成多样化的样本。 可能

扩散模型在其内部使用 U-Net 结构而不是 Transformer，主要是因为 U-Net 结构特别适合于图像处理任务，尤其是在生成图像的上下文中。：U-Net 是专门为图像处理任务设计的。它的结构优化了图像的特征提取和重建，特别是在需要精确捕捉图像局部细节和整体结构的任务中。：U-Net 的编解码器结构对于图像生成任务非常有效。它的对称结构使得在图像的编码和解码阶段可以有效地捕捉和重建图像信息，这对于扩散模型的逐步图像生成过程至关重要。

深度学习中的扩散模型是一种比较新颖的生成模型，它在图像生成、文本生成等领域表现出了令人瞩目的性能。：扩散模型的灵感来源于自然界中的扩散过程，比如墨水在水中扩散开来。在模型中，这个过程被用来逐渐引入随机性到数据中（比如图片或者声音），直到原始数据变得完全随机，就像水彻底染上了墨水。：生成数据（如创建新图片）的关键在于这个扩散过程的逆过程。模型学习如何从随机噪声中逐步“去除”这些噪声，最终恢复出有意义的数据（如一幅图像）。这个过程就好比是把墨水从水中逐渐移除，直到最后复原成清水和原本的墨水。