扩散模型的源码学习diffusion_model

 1.diffusion_model有几个主要的部分，

（1）Unet，主干网络。

（2）GaussianDiffusion，也就是主要的训练策略。

 2.

生成一个测试用的tensor来进行实验。 

3.进入到高斯模型的内部，发现他的forward并不是特别复杂，

他会先生成一个随机数t，然后再对img做一定的处理，然后再利用p_loss做一个loss。

可以看到，难点应该就是p_loss和对图片的这个处理上。

4.可以看到，生成了一个t，是随机的0，1不知道在干啥。 

5.然后把img输入到了这个normalize这里面，注意这个img是（8，3，128，128）的尺寸的。 

 他这个normalize_neg_one_to_one,只有一行，就返回了img，我们接下来试一下，这个操作会产生什么样的变化，因为他变化一下就输入到了p_losses里面，可以看到在p_losses之前的操作都是特别简单的，这说明整个需要操作的大部分应该都在p_losses里面。

 乘2，减1，就是做了简单的变化。

 6.然后就开始输入进p_losses了，这个输入的img是（8，3，128，128）维度的。

然后t是一个8的tensor，有8个随机的0，1数。

7.进入到p_losses里面，

发现，这个loss所需要的东西，一个是x_start,一个是t，也就是随机生成的一个tensor，和一个随机数的列表。

注意这个x_start是（8，3，128，128）这个维度的。

t是8个随机数tensor。

 8.然后会利用default这个生成噪声。

 也就是说这个default所使用的是提供的这个rand。

 9.利用这个生成噪声noise，这个维度是（8，3，128，128）的。

 10.x_start也是（8，3，128，128）维度的。

 11.然后到了q_sample这里，

 12.看一下这个extract 是干什么的，他需要传入三个值，这些都是一些基本的属性，并没有传入x_start本身，所以，他们是和x本身的值无关的，而是一个随着时间变化的东西。

 

 它里面的tensor是这样的。

 

 

 13.

 14.

进行两个extract后就到了Unet里面。 

15.正常的做loss，然后到了下面这个reduce这里，看看这个reduce是干啥的。