扩散模型实战（五）：采样过程

文章预览

推荐阅读列表： 扩散模型实战（一）：基本原理介绍 扩散模型实战（二）：扩散模型的发展 扩散模型实战（三）：扩散模型的应用 扩散模型实战（四）：从零构建扩散模型        在 扩散模型实战（四）：从零构建扩散模型 文章中已经介绍了在原始数据集MNIST中添加噪声以及基于基本的UNet网络训练扩散模型，模型已经可以进行预测，但是发现输入数据噪声量很大的时候预测的效果并不好，如下图所示：        那如何改进呢 ？        其实思路比较简单，就是按照预测的方向多迭代几次就可以，比如我们从完全的随机数开始按照上述思路进行扩散，下面是实现的代码： # 采样策略：把采样过程拆解为5步，每次只前进一步 n_steps = 5 x = torch.rand( 8 , 1 , 28 , 28 ).to(device) # 从完全随机的值开始 step_history = [x.detach().cpu()] pred_output_history = [] 　 for i ………………………………