diffusion model tf ddpm
1.0.0
扩散模型是深度学习的一个有趣用途，用于模拟数据随时间的逐渐演变。使用扩散模型生成背后的概念是将数据点从噪声迭代转换为目标分布，即原始数据分布。这种转变是通过一系列离散的步骤来执行的。训练阶段包括前向扩散和后向扩散。
在前向扩散过程中，我们在随机数量的时间步“t”（“t”小于或等于预定时间步总数）内逐渐向数据添加高斯噪声，从而产生噪声图像。在反向扩散过程中，我们从加噪图像（前向扩散中的“t”步加噪）开始，并训练 UNet 模型，该模型通过预测添加到原始图像中的噪声来帮助降低噪声水平。
为了生成新图像，我们简单地迭代执行反向扩散。为此，我们首先从标准高斯中采样噪声，然后在预定数量的时间步长内逐渐预测和消除噪声，从而生成类似于原始数据分布的图像。
