Diffusion Model

注：大家觉得博客好的话，别忘了点赞收藏呀，本人每周都会更新关于人工智能和大数据相关的内容，内容多为原创，Python Java Scala SQL 代码，CV NLP 推荐系统等，Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货，各种顶会的论文解读，一起进步。
今天和大家分享一下基于贝叶斯公式推导Diffusion Model代码案例实战
论文：https://arxiv.org/pdf/2006.11239.pdf
#博学谷IT学习技术支持#

---

---

前言

Diffusion Model，这个名字想必大家都听过吧，21年火到爆了，现在研究人也相当多。
目前来看主流的生成模型已经不咋用GAN了，最新的都是Diffusion Model。
GAN要训练俩网络，感觉难度较大，容易不收敛，而且多样性比较差，只关注能骗过判别器就得了。
Diffusion Model用一种更简单的方法来诠释了生成模型该如何学习以及生成，其实感觉更简单。

---

一、什么是Diffusion Model？

Diffusion Model主要用途和GAN一样，是一个生成模型，同样可以作为图像的超分辨率重构，DALLE 2中文字生成图片等，理念15年就开始有了，不过最近才开始火的，可能主要是因为DALLE 2的关系吧，因为DALLE 2没有采用GAN，而是采用了Diffusion Model。

二、前向过程

这里咱们先看前向过程，其实就是不断往输入数据中加噪声，最后就快变成了个纯噪声
每一个时刻都要添加高斯噪声，后一时刻都是由前一刻是增加噪声得到
其实这个过程可以看过咱们不断构建标签（噪声）的过程，后续会用到

前向过程这里写了一点简单的数学推导，主要是运用了高斯分布的一些性质。
其目的是只要有了原始输入X0的情况下，假设每一时间点的噪音都是服从高斯分布的，那么我就可以推出任意一个时间点的分布Xt或者Xt-1。

三、逆向过程

逆向过程主要要求的是，当Xt时刻输入一张噪音数据和假设已知X0的情况下，如何通过一步步推导，得到Xt-1的过程。

这里运用到了贝叶斯公式，高斯高斯的情况下，后验分布一定也是高斯分布的。
这里的X0是通过求计算Xt时候，求逆得到的。

虽然公式看上去复杂一点，但是无非是一些数学化简，因为一定能计算出高斯分布的期望和方差。
这里唯一推导不出的就是每一时刻的噪声。Zt其实就是我们要估计的每个时刻的噪声。

1. 这家伙看起来无法直接求解，我们只能训练一个模型来计算了
2. 这些相关论文里竟然都用Unet这种结构来玩的，可能是编码和解码看着比较舒服
3. 模型的输入参数有两个，分别是当前时刻的分布和时刻t

也就是说只要我们计算出Zt，就能完成整个逆向过程。
通过一个Unet网络让模型给我们结果吧，模型的输入是每一时刻的Xt，输出是预测的Zt，我们在前向过程中已经有Zt的标签了，所以就是一个普通的监督学习模型。

接下来把这俩阶段汇总到一起，就是终极流程图了
分别对应咱们的前向和后向过程

四、代码实战

代码部分有点多，感兴趣的关注留言，我单独发你。

---

总结

今天和大家分享一下基于贝叶斯公式推导Diffusion Model代码案例实战。