ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

生成式AI扩散模型入门
章节 1: 生成模型简介
生成模型概述
扩散模型的缘由
核心思路:噪声与去噪
概率框架概述
第 1 章测验
章节 2: 前向扩散过程
定义马尔可夫链
高斯噪声调度
每一步的数学表示
从中间步骤采样
前向过程的性质
实践:模拟正向扩散
第 2 章测验
章节 3: 逆向扩散过程
目标:逆转马尔可夫链
逼近逆向转移
使用神经网络参数化逆向过程
预测噪声分量
去噪步骤的数学表达
第 3 章测验
章节 4: 模型架构与训练
用于噪声预测的U-Net架构
整合时间步信息
定义训练目标
简化训练损失的推导
训练算法
动手实践:搭建U-Net
第 4 章测验
章节 5: 采样与生成过程
从噪声生成数据
DDPM采样算法
理解采样方差
加速采样方法介绍:DDIM
DDIM采样算法
DDPM与DDIM的权衡
动手实践:实现采样循环
第 5 章测验
章节 6: 扩散模型的条件生成
条件生成的动因
分类器引导
无分类器引导 (CFG)
实现分类器无关引导
文本条件要点
用于条件生成的架构修改
动手实践:应用引导
第 6 章测验

章节 3: 逆向扩散过程

在上一章中,我们讨论了正向扩散过程,在该过程中,我们经过一系列时间步逐步向数据添加高斯噪声,直到只剩下噪声。现在,我们关注其逆向操作:逆向扩散过程。这是生成部分,我们旨在从纯噪声开始并逐步去噪,以生成一个与原始数据分布相似的样本。

本章介绍这种反转是如何实现的。由于直接计算真实逆向概率 p(xt−1∣xt)p(x_{t-1}|x_t)p(xt−1​∣xt​) 通常难以处理,我们将学习如何对其进行近似。

您将学习到:

  • 逆向过程的目标:估计转移概率 p(xt−1∣xt)p(x_{t-1}|x_t)p(xt−1​∣xt​)。
  • 为什么直接计算很困难,以及如何使用神经网络 (neural network)进行近似。
  • 我们如何对逆向过程进行参数 (parameter)化,通常是通过训练一个网络来预测时间步 ttt 时添加的噪声 ϵ\epsilonϵ。
  • 定义了单一步去噪的数学表述,使我们能够从 xtx_txt​ 得到 xt−1x_{t-1}xt−1​ 的估计。

在本章结束时,您将明白扩散模型如何通过系统地反转加噪过程来学习生成数据。

课程章节

  • 3.1 目标:逆转马尔可夫链

  • 3.2 逼近逆向转移

  • 3.3 使用神经网络参数化逆向过程

  • 3.4 预测噪声分量

  • 3.5 去噪步骤的数学表达

© 2026 ApX Machine Learning