在确立了正向和逆向扩散过程的数学体系后，我们现在将说明如何实现逆向（去噪）步骤。这需要一个可训练的模型，它能够根据含噪声数据 $x_t$ 学习估算在特定时间步 $t$ 所添加的噪声。

本章主要说明这一核心模型的架构和训练流程。我们将介绍：

• U-Net 架构： 考察 U-Net 的结构，这是一种常用于处理图像类数据并保留空间信息的卷积网络，这对于噪声预测是不可或缺的。
• 时间步整合： 提供扩散时间步 $t$ 作为网络输入的方法，使其能够相应地调整预测。
• 训练目标： 定义损失函数 (loss function)，通常是实际添加的噪声与网络预测的噪声之间的均方误差 (MSE)。我们将简要提及它与整体概率目标之间的关联。
• 训练算法： 概述使用批次数据训练噪声预测网络的分步流程。
• 实际配置： 讨论在代码中实现 U-Net 和时间步嵌入 (embedding)的重要方面。

完成本章后，你将理解扩散模型中使用的神经网络 (neural network)的设计原则以及训练它执行去噪任务的流程。