大模型教我成为大模型算法工程师之day17：扩散模型 (Diffusion Models)-洪萨配资

Day 17: 扩散模型 (Diffusion Models)

摘要：2022年被称为 “AIGC 元年”，Midjourney 和 Stable Diffusion 的横空出世彻底改变了创意产业。而这背后的功臣，就是扩散模型。它不再像 GAN 那样搞“左右互搏”，也不像 VAE 那样搞“生硬压缩”，而是模仿物理热力学中的“扩散”过程，慢慢把一张图毁掉，再学会慢慢把它复原。

1. 为什么需要扩散模型？

在 Diffusion 出现之前，生成领域存在一个“不可能三角”：

GAN：采样快，质量高，但多样性差（Mode Collapse），训练极难。
VAE：多样性好，训练稳，但质量差（模糊）。
Flow：数学推导完美，但计算成本极高。

Diffusion Models打破了这个诅咒：它生成质量极高（超越 GAN），多样性极好（覆盖整个分布），训练非常稳定（只是慢了一点）。

2. DDPM 原理：从加噪到去噪

DDPM (Denoising Diffusion Probabilistic Models) 的核心思想非常简单：毁掉一幅画很容易，复原它很难，但如果我们把复原过程拆解成 1000 小步，每一步就变得简单了。

2.1 前向过程 (Forward Process) —— 加噪

这是一个固定的过程（不需要训练）。

我们将一张清晰图片x0x_0x0，在TTT步（例如 T=1000）内，每一步都加入一点点高斯噪声。
最终xTx_TxT会变成一张纯粹的标准正态分布噪声。
数学特性：由于高斯分布的优良性质，我们可以直接算出任意时刻ttt的加噪图片xtx_txt，而不需要一步步循环算。

2.2 逆向过程 (Reverse Process) —— 去噪

这是一个需要训练的过程。

如果能从纯噪声xTx_TxT逐步推回x0x_0x0，我们就学会了生成图片。
核心任务：训练一个神经网络（通常是 U-Net），让它根据当前的噪点图xtx_txt和时间步ttt，预测这一步加了多少噪声ϵ\epsilonϵ。
去噪公式：xt−1≈xt−PredictedNoisex_{t-1} \approx x_t - \text{PredictedNoise}xt−1≈xt−PredictedNoise（实际公式包含系数和方差项）。

2.3 训练目标

非常简单！就是让网络预测的噪声ϵθ(xt,t)\epsilon_\theta(x_t, t)ϵθ(xt,t)和真实加入的噪声ϵ\epsilonϵ越像越好。
Loss=∣∣ϵ−ϵθ(xt,t)∣∣2 Loss = ||\epsilon - \epsilon_\theta(x_t, t)||^2Loss=∣∣ϵ−ϵθ(xt,t)∣∣2
本质上就是一个回归问题：给你一张带噪图，请算出上面的噪点长什么样。

3. 加速采样：DDIM 与 DPM-Solver

DDPM 的最大缺点是慢。生成一张图需要像倒放录像带一样走完 1000 步。

DDIM (Denoising Diffusion Implicit Models)：
- 发现去噪过程其实不需要严格遵循马尔可夫链。
- 通过改变采样公式，可以跳步走。比如从 1000 步跳到 900 步，再跳到 800 步。
- 结果：只需要 50 步甚至更少就能生成高质量图片，速度提升 20 倍。
DPM-Solver：
- 把扩散过程看作微分方程（ODE）求解。
- 使用高阶数值求解器，能进一步把步数压缩到 10-20 步。

4. Stable Diffusion：潜在扩散模型 (Latent Diffusion)

虽然 DDIM 变快了，但在像素空间（Pixel Space）上直接跑 Diffusion 还是很贵。一张 512x512 的图有 26万个像素，显存遭不住。

Stable Diffusion (LDM)的天才之处在于：降维打击。

4.1 核心架构：VAE + U-Net + CLIP

它由三个部分组成：

VAE (变分自编码器)：
- 作用：把巨大的“像素空间”压缩到微小的“潜在空间 (Latent Space)”。
- 例如：把 512x512x3 的图片压缩成 64x64x4 的 Latent 向量。数据量减少了 48 倍！
- 所有的扩散、去噪过程，都在这个 64x64 的小图上进行。
U-Net (噪声预测器)：
- 在 Latent 空间里干活，预测噪声。
- 引入了Cross-Attention (交叉注意力)机制，为了听懂提示词。
CLIP Text Encoder (提示词理解)：
- 把用户的 Prompt（如 “A cute cat”）变成向量，通过 Cross-Attention 注入到 U-Net 中。
- 这让 Diffusion 变成了可控生成的 Text-to-Image 模型。

4.2 生成流程

用户输入 “A cyberpunk city”。
CLIP 把它变成 Text Embeddings。
随机生成一个 64x64 的纯噪声 Latent。
U-Net 在 Text Embeddings 的指引下，对 Latent 逐步去噪（比如 50 步）。
VAE Decoder 把去噪后的 Latent 放大回 512x512 的高清大图。

5. 代码实践：DDPM 核心逻辑

这里展示最核心的训练 Loss 计算（伪代码）。

importtorchimporttorch.nnasnnclassDDPM(nn.Module):def__init__(self,unet,timesteps=1000):super().__init__()self.unet=unet self.timesteps=timesteps# 预计算 alpha, beta 等参数...defforward(self,x0):# 1. 随机采样一个时间步 tt=torch.randint(0,self.timesteps,(x0.shape[0],),device=x0.device)# 2. 生成随机噪声 epsilonnoise=torch.randn_like(x0)# 3. 计算加噪后的图片 xt (基于重参数化技巧，直接一步算出)# xt = sqrt(alpha_bar) * x0 + sqrt(1 - alpha_bar) * noisext=self.q_sample(x0,t,noise)# 4. 让 U-Net 预测噪声predicted_noise=self.unet(xt,t)# 5. 计算 Loss (MSE)loss=nn.functional.mse_loss(predicted_noise,noise)returnlossdefsample(self,n_samples):# 逆向采样过程xt=torch.randn(n_samples,c,h,w)# 从纯噪声开始fortinreversed(range(self.timesteps)):predicted_noise=self.unet(xt,t)# xt_prev = (xt - coeff * predicted_noise) / sqrt(alpha) + sigma * zxt=self.p_sample(xt,t,predicted_noise)returnxt

6. 总结

DDPM：用慢工出细活的“去噪”思路，换来了生成质量的巅峰。
DDIM：让扩散模型从“这东西没法用”变成了“稍微等等就能用”。
Stable Diffusion：通过Latent Space和CLIP的引入，真正把 AI 绘画带入了寻常百姓家（消费级显卡也能跑）。