diffusion model tf ddpm
1.0.0
擴散模型是深度學習的一個有趣用途，用於模擬資料隨時間的逐漸演變。使用擴散模型產生背後的概念是將資料點從雜訊迭代轉換為目標分佈，即原始資料分佈。這種轉變是透過一連串的離散步驟來執行的。訓練階段包括前向擴散和後向擴散。
在前向擴散過程中，我們逐漸將高斯雜訊添加到隨機數量的時間步「t」（「t」小於或等於預定時間步總數）的資料中，從而產生雜訊影像。在反向擴散過程中，我們從雜訊影像（前向擴散中的「t」步雜訊）開始，並訓練 UNet 模型，該模型透過預測添加到原始影像的雜訊來幫助降低雜訊水平。
為了產生新影像，我們簡單地迭代執行反向擴散。為此，我們首先從標準高斯中取樣噪聲，然後在預定數量的時間步長內逐漸預測和消除噪聲，從而產生類似於原始資料分佈的影像。
