一文详解扩散模型

2024-06-20 05:04
文章标签 详解 模型 一文 扩散

本文主要是介绍一文详解扩散模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

    • 1、常见的生成模型
    • 2、变分推断简介
    • 3、文生图的评价指标
    • 4、Diffusion Models
    • 5、其他
    • 技术交流群
    • 精选

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。

针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

合集：

《大模型面试宝典》(2024版) 正式发布！
《AIGC 面试宝典》已圈粉无数！

1、常见的生成模型

如图1所示，常见的生成模型有四种：GAN（Generative Adversarial Network）、VAE（Variational Autoencoder）、Flow-Based Models、Diffusion Models。
今天我们讲一讲扩散模型（DM，Diffusion Models）的原理。

DM和VAE一样，都是属于变分推断（VI，Variational Inference）的理论框架。
在这里插入图片描述

2、变分推断简介

2.1、统计学简介

在统计学中，一切都是分布（Distribution），到处都是分布。

统计学的根本目的就是获得数据分布。 只要得到了数据的分布，那一切问题都迎刃而解。

但现实数据的分布往往是不可得的，是极其复杂的，所以统计学在应用中到处充满假设：假设样本服从独立同分布原理；假设噪声服从高斯分布；假设特征之间相互独立等。翻开机器学习或者数理统计的书籍，到处充满着假设。没办法，现实问题太复杂！

如何获得复杂的未知分布呢？ 最常用的方法就贝叶斯推断。

2.2、贝叶斯推断

贝叶斯推断的目的就是：找出复杂的未知分布。

贝叶斯推断有两类方法：一是MCMC采样；二是变分推断（VI，Variational Inference)。如图2所示。

MCMC属于采样的方法，成本高。变分推断属于数学优化的方法，成本相对较对低。
在这里插入图片描述

3、文生图的评价指标

文生图领域有两个评价指标：FID和CLIP。

3.1、FID

FID：Frechet Inception Distance。 用一个训练过的CNN网络提取图片的隐层特征，分别得到两个隐层特征的集合。一个是真实图片的隐层特征集合，一个是生成图片的隐层特征集合。再把这两个集合看作分布，计算两个分布的距离。

FID值越小越好。 如图3所示。

在这里插入图片描述

3.2、CLIP

CLIP：Contrastive Language-Image Pretraining。

一个预训练的图文对模型。基于4亿个图文对进行了对比学习。

CLIP得分越大越好。

3.3、优缺点

FID的评价很准确，但需要大量的数据，才能进行评估。

CLIP可以对单张图片进行评价，但只适用于图文对的场景。

4、Diffusion Models

4.1、Diffusion-生成过程

Diffusion生成目标对象的过程，称为生成过程、去噪过程、后向过程等。Diffusion的生成过程从噪声开始。本文都以图片生成为例。

首先， 从标准高斯分布中采样得到一张全是噪声的图片XT。

然后， 从XT 中去掉一点噪声，得到一张噪声更少的图片XT-1。**如此重复T步，**最后直到X1就是一张生成的图片。

意大利著名的雕塑家米开朗基罗说过：“塑像本来就在石头里，我只是把不需要的部分去掉。” Diffusion的生成过程与此类似，图片本来就在噪声里，Diffusion模型只是把不需要的噪声去掉，让图片显露出来！

如图5所示：

在这里插入图片描述

图5 Diffusion 去噪过程

4.2、Diffusion-扩散过程

Diffusion的扩散过程，也称为前向过程、加噪过程。 如图6所示。

扩散过程为模型的训练提供了有标注的样本。前面说过，生成过程是从噪声中逐步去噪声，最后生成图片。那模型怎么知道该去什么样的噪声，去多少噪声呢？这就是扩散过程的作用。扩散过程往已知的图片中逐步加入噪声，直到图片完全变成标准高斯噪声。这个加噪声的过程是人为控制的，所加的噪声也是知道的，所以反过来就用这个噪声作为标准，指导模型去噪，这相当于是一个有监督的学习过程。

总之，扩散过程是一个事先预定义的确定过程，用来给生成过程提供有监督的样本。

在这里插入图片描述

图6 Diffusion Model 加噪过程

4.3、Diffusion-模型训练

模型训练如图7所示。训练的神经网络是一个噪声预测器（Noise Predicter）。

Noise Predicter输入有两个：一是带噪声的图片；二是当前的步数。在Conditional的场景下，还会输入生成条件。

Noise Predicter的输出为：当前图片中所包含的噪声大小。

训练的优化目标为：预测出来的噪声与扩散过程中所加入的真实噪声之间的均方误差MSE（Mean-Square Error）。

4.4、Diffusion-模型推理

模型推理，就是生成数据的过程。确切的生成算法如图8所示。

Algorithm2来源于论文DDPM-《Denoising Diffusion Probabilistic Models》。

DDPM的主要问题是效率低下，因为必须要经过T步，才能生成最终图片。

从图中可以看出，Noise Predicter预测出图片的噪声后，用Xt减去噪声，就得到了去噪后的图片。

但去噪声后，又给图片加上了一点高斯噪声。这是为什么呢？通常认为这是算法落地中的一个Trick。在机器学习中，这种Trick很常见，如dropout。这样通常能增加模型的泛化性。另一种解释是，Diffusion整体上是一个自回归Autoregressive过程，与GPT类似。在AR模型中，每一步都喜欢加一点随机性，如GPT中常用的BeamSearch。

4.5、三种解释

Diffusion Models是一个马尔可夫层次化变分自编码器（Markovian Hierarchical Variational Autoencoder）。

在这里插入图片描述

优化EBLO等价于优化以下任意一种目标函数：

1. 优化对原始数据x0的预测结果；—在Discrete Diffusion Models会用到；

2 优化对原始噪声的预测结果；—连续Diffusion Models中最常用；

3. 优化对分数函数的预测结果；—基于热力学能量函数的推导时用到。

4.7、Diffusion-Conditional

前面讨论的是论文DDPM中原生的Diffusion Models。但实践使用时，我们是要根据条件来生成目标数据。如文生图，需要根据给定的文本来生成目标图片。

从原理上来看，根据给定的条件生成数据，和原生的DDPM是完全一样的。只是拟合目标由后验概率分布转化为条件后验概率分布。这两者的理论推导是完全相同的。

在实现上，Noise Predicter的输入中增加了一个条件项，如输入的文本。当然这个条件项往往是其它模态的，需要进行Embedding才能输入到Noise Predicter的神经网络里面。

5、其他

5.1

DDPM的改进

DDPM最大的问题就是它的生成过程速度慢，效率低。需要一步一步地进行Denoising。为此，论文DDIM（Denosing Diffusion Implicit Models）对它进行了改进。

DDPM通常需要1000步来生成一张图片，但DDIM通过只需要5-20步即可。当然DDIM的图片质量略差于DDPM。

5.2

离散场景

图片是一种典型的连续场景，因为每个像素的取值在给定的范围（如0-1）之间可以随便选取。但还有很多离散的场景，如Text、Graph等。在离散场景中如何使用Diffusion Models呢？这还是一个新兴的研究方向，常用的做法是改变噪声的形式。

在这里插入图片描述

图12 Diffusion + Text

5.3

Stable Diffusion

Stable Diffusion是对原生Diffusion的一种改动。Stable Diffusion原来叫 Latent Diffusion Models。它与Diffusion的最大区别是噪声加在隐状态空间。

Diffusion的噪声与图片是相同尺寸的，它的加噪声和去噪声直接发生在原始数据上。Stable Diffusion会使用一个编码器，先把图片映射到一个低维的隐状态空间中，再在这个隐空间中对图片的Embedding进行加噪声和去噪声。因为隐状态空间的维度低，所以Stable Diffusion的速度比原生的Diffusion更快。但二者的理论基础是相同的！

技术交流群

前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~

我们建了算法岗技术与面试交流群， 想要大模型技术交流、了解最新面试动态的、需要源码&资料、提升技术的同学，可以直接加微信号：mlc2040。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。

想加入星球也可以如下方式：

方式①、微信搜索公众号：机器学习社区，后台回复：交流
方式②、添加微信号：mlc2040，备注：交流

精选

  • 轻松构建聊天机器人，大模型 RAG 有了更强大的AI检索器
  • 一文搞懂大模型训练加速框架 DeepSpeed 的使用方法！
  • 保姆级学习指南：《Pytorch 实战宝典》来了
  • MoE 大模型的前世今生
  • 从零解读 SAM(Segment Anything Model)
  • AI 绘画爆火背后：扩散模型原理及实现
  • 从零开始构建和训练生成对抗网络（GAN）模型
  • CLIP/LLaVA/LLaVA1.5/VILA 模型全面梳理！
  • 从零开始创建一个小规模的稳定扩散模型！
  • Stable Diffusion 模型：LDM、SD 1.0, 1.5, 2.0、SDXL、SDXL-Turbo 等
  • 文生图模型：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型
  • 一文搞懂 BERT（基于Transformer的双向编码器）
  • 一文搞懂 GPT（Generative Pre-trained Transformer）
  • 一文搞懂 ViT（Vision Transformer）
  • 一文搞懂 Transformer
  • 一文搞懂 Attention（注意力）机制
  • 一文搞懂 Self-Attention 和 Multi-Head Attention
  • 一文搞懂 Embedding（嵌入）
  • 一文搞懂 Encoder-Decoder（编码器-解码器）

Reference

1. What are Diffusion Models：https://lilianweng.github.io/posts/2021-07-11-diffusion-models/

2. DDPM：Denoising Diffusion Probabilistic Models：https://arxiv.org/abs/2006.11239

3. Understanding Diffusion Models – A Unified Perspective：https://arxiv.org/pdf/2208.11970.pdf

4. Hungyi Lee 《Diffusion Models》

5. 一文读懂DDIM凭什么可以加速DDPM的采样效率：https://zhuanlan.zhihu.com/p/627616358

这篇关于一文详解扩散模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1077177。

相关文章

Spring Security基于数据库验证流程详解

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明（认真看哦） AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证，则会调用 #attemptAuthentica
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...
OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

OpenHarmony鸿蒙开发（ Beta5.0）无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息，即可快速实现设备配网，是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递，利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力，实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后，即可发送相关配网数据。同时还支持与常规Sof
阅读更多...
Retrieval-based-Voice-Conversion-WebUI模型构建指南

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI（简称 RVC）模型是一个基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）的简单易用的语音转换框架。 具有以下特点 简单易用：RVC 模型通过简单易用的网页界面，使得用户无需深入了
阅读更多...
透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

引言 随着时间的发展，大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用，随着人们期望的不断增加，目标也发生了巨大的变化。在短短的几个月的时间里，人们对大模型的认识已经从对其zero-shot能力感到惊讶，转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构（例如Transformer）对海量的、多种多样的数据分布进行建模得到，它包含了大量的先验
阅读更多...
图神经网络模型介绍（1）

图神经网络模型介绍（1）

我们将图神经网络分为基于谱域的模型和基于空域的模型，并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络：谱图卷积网络、切比雪夫网络和图卷积网络。 （1）谱图卷积网络 卷积定理：函数卷积的傅里叶变换是函数傅里叶变换的乘积，即F{f*g}
阅读更多...
秋招最新大模型算法面试，熬夜都要肝完它

秋招最新大模型算法面试，熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候，不知道面试完会不会复盘、总结，做笔记的习惯，这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助，都附有完整答案，熬夜也要看完，祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
阅读更多...
【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【生成模型系列（初级）】嵌入（Embedding）方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入（Embedding）方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节：嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”，它将文本中的单词或短语转换成计算机能够理解的数学形式，即向量。 正如翻译机将一种语言
阅读更多...
6.1.数据结构-c/c++堆详解下篇（堆排序，TopK问题）

6.1.数据结构-c/c++堆详解下篇（堆排序，TopK问题）

上篇：6.1.数据结构-c/c++模拟实现堆上篇（向下，上调整算法，建堆，增删数据）-CSDN博客 本章重点 1.使用堆来完成堆排序 2.使用堆解决TopK问题 目录 一.堆排序 1.1 思路 1.2 代码 1.3 简单测试 二.TopK问题 2.1 思路(求最小)： 2.2 C语言代码（手写堆） 2.3 C++代码（使用优先级队列 priority_queue）
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2