趋近智
尽管DDPM和DDIM等基本采样方法是扩散模型生成数据所依赖的主要方式,但其迭代特性常常导致推理 (inference)时间缓慢。本章着重介绍大幅加速采样过程和优化模型以用于实践的技术。
你将考察进阶采样算法,包括像DPM-Solver和UniPC这样的高阶ODE求解器,它们旨在以更少步骤生成高质量结果。我们还将介绍随机采样变体和对引导采样的改进。此外,本章还提供关于解决常见采样问题(例如伪影或模糊)的实用指导。最后,我们将讨论用于部署的模型优化,涵盖模型蒸馏、量化 (quantization)等方法,以及硬件加速的考量,以提高速度并减少资源消耗。
6.1 高阶求解器 (DPM-求解器, UniPC)
6.2 随机采样变体
6.3 引导采样改进
6.4 采样问题排查(伪影、模糊)
6.5 扩散模型的模型蒸馏
6.6 扩散模型的量化
6.7 硬件加速考量 (GPU 核函数, 编译)
6.8 动手实践:比较高级采样器