扩散模型：DDPM代码的学习（基于minist数据集）
文章目录
- 序言
- 一参考资料
-
- ①代码来源
- ②相关概念理解
- ③公式推导及训练流程讲解
- ④搜索问题的网站
- ⑤模型运行的环境
- 二代码解读
-
- ①模型
- ②训练
- ③测试
- 三主要训练过程的解析
序言
本文主要对一个基于minist数据集搭建的DDPM模型代码中各个模块的含义进行解析，初步记录了自己了解扩散模型的一个过程，为后续的进一步学习打基础。文中的错误之处还望大家批评指正
一参考资料
①代码来源
参考的代码来源
②相关概念理解
超详细的扩散模型（Diffusion Models）原理+代码
③公式推导及训练流程讲解
DDPM1
DDPM2
④搜索问题的网站
geekgpt
此网站可以对代码进行注释，对公式推导的流程进行解释，利用的好可以帮助我们更好的理解我们所的遇到的大部分问题
⑤模型运行的环境
本文是在google drive的colab中运行的
colab的部署过程可以参考以下内容：Colab 实用教程
二代码解读
①模型
import os
import math
from abc import abstractmethod
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F
from tqdm import tqdm
def timestep_embedding(timesteps, dim, max_period=10000):
"""Create sinusoidal timestep embeddings.
Args:
timesteps (Tensor): a 1-D Tensor of N indices, one per batch element. These may be fractional.
dim (int): the dimension of the output.
max_period (int, optional): controls the minimum frequency of the embeddings. Defaults to 10000.
Returns:
Tensor: an [N x dim] Tensor of positional embeddings.
"""
# 计算嵌入向量的一半维度
half = dim // 2
# 计算频率，用来生成正弦和余弦成分
freqs = torch.exp(
-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half
).to(device=timesteps.device)
# 计算角度参数，用于生成正弦和余弦成分
#进行维度的扩充，将1*step转化为step*1 然后和1*half进行矩阵运算，将数据的维度扩充到了half维度（half为偶数）
args = timesteps[:, None].float() * freqs[None]
# 生成正弦和余弦成分，然后连接它们以形成嵌入向量
embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1)
# 如果维度是奇数，添加一个额外的零维度
if dim % 2:
embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1)
# 返回时间步嵌入向量
return embedding
class TimestepBlock(nn.Module):
"""
Any module where forward() takes timestep embeddings as a second argument.
"""
@abstractmethod
def forward(self, x, t):
"""
Apply the module to `x` given `t` timestep embeddings.
"""
pass
class TimestepEmbedSequential(nn.Sequential, TimestepBlock):
"""
A sequential module that passes timestep embeddings to the children that support it as an extra input.
"""
def forward(self, x, t):
for layer in self:
if isinstance(layer, TimestepBlock):
x = layer(x, t)
else:
x = layer(x)
return x
# layer 是 TimestepEmbedSequential 类中的每个子模块（layer）的引用。在这个循环中，我们遍历了 TimestepEmbedSequential 类中的每个子模块，并对其进行操作。如果子模块是 TimestepBlock 的实例，则调用其 forward() 方法，并将输入数据 x 和时间步骤嵌入向量 t 传递给它；否则，我们只是将输入数据 x 传递给子模块
#参数channels指定了归一化层的通道数，而nn.GroupNorm的第一个参数32表示将输入数据的通道分成32个子组，每个子组内的特征将被独立地归一化，组归一化的主要作用是解决深度神经网络中的内部协变量偏移问题，提高模型的训练稳定性，使其更适合处理不同批量大小和高分辨率数据，同时也有助于模型的泛化能力。
def norm_layer(channels):
return nn.GroupNorm(32, channels)
class ResidualBlock(TimestepBlock):
def __init__(self, in_channels, out_channels, time_channels, dropout):
super().__init__()
self.conv1 = nn.Sequential(
norm_layer(in_channels),
nn.SiLU(),
nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1)
)
# pojection for time step embedding
self.time_emb = nn.Sequential(
nn.SiLU(),
nn.Linear(time_channels, out_channels)
)
self.conv2 = nn.Sequential(
norm_layer(out_channels),
nn.SiLU(),
nn.Dropout(p=dropout),
nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1)
)
if in_channels != out_channels:
self.shortcut = nn.Conv2d(in_channels, out_channels, kernel_size=1)
else:
self.shortcut = nn.Identity()
def forward(self, x, t):
"""
`x` has shape `[batch_size, in_dim, height, width]`
`t` has shape `[batch_size, time_dim]`
"""
h = self.conv1(x)
# Add time step embeddings
h += self.time_emb(t)[:, :, None, None]
h = self.conv2(h)
return h + self.shortcut(x)
class AttentionBlock(nn.Module):
def __init__(self, channels, num_heads=1):
"""
Attention block with shortcut
Args:
channels (int): channels
num_heads (int, optional): attention heads. Defaults to 1.
"""
super().__init__()
self.num_heads = num_heads
assert channels % num_heads == 0
self.norm = norm_layer(channels)
self.qkv = nn.Conv2d(channels, channels * 3, kernel_size=1, bias=False)
self.proj = nn.Conv2d(channels, channels, kernel_size=1)
def forward(self, x):
B, C, H, W = x.shape
qkv = self.qkv(self.norm(x))
#将模型的维度扩充3倍
q, k, v = qkv.reshape(B*self.num_heads, -1, H*W).chunk(3, dim=1)
scale = 1. / math.sqrt(math.sqrt(C // self.num_heads))
# 计算了一个用于缩放注意力分数的标度因子（scaling factor）。这个标度因子通常用于控制注意力分数的大小，以避免过大的数值，有助于稳定训练过程
attn = torch.einsum("bct,bcs->bts", q * scale, k * scale)
#这一行代码执行了一个张量乘法操作，并计算了注意力分数（attention scores）
attn = attn.softmax(dim=-1)
#进行 softmax 归一化，以确保每个位置的分数都在 [0, 1] 范围内
h = torch.einsum("bts,bcs->bct", attn, v)
#torch.einsum 函数是一个强大的张量运算工具，它允许用户根据一种命名约定来指定张量的操作，以实现高效的张量操作和组合。它的基本语法是
#result = torch.einsum("ij,jk->ik", A, B)
#这将计算两个矩阵 A 和 B 的矩阵乘法。字符串 "ij,jk->ik" 描述了两个矩阵的操作，其中 "ij" 表示 A 的行和列，而 "jk" 表示 B 的行和列，最终得到一个矩阵
#其中 attn 和 v 是输入张量，具有以下维度：
#attn 的形状为 (batch_size, sequence_length, num_heads)，
#其中 batch_size 表示批处理大小，sequence_length 表示序列长度，num_heads 表示注意力头的数量。
#v 的形状为 (batch_size, sequence_length, value_dim)，其中 value_dim 表示每个注意力值的维度。
#输出张量的形状为 (batch_size, sequence_length, value_dim)，它表示了加权和的结果，其中每个元素#都是通过将 attn 中的权重应用到 v 中的相应部分来计算的。
#这种操作通常用于多头注意力机制中，其中 attn 包含了注意力分数（或权重），v 包含了值，而输出则是根#据权重对值进行加权求和的结果。这有助于模型在自注意力机制中将不同的信息聚合到输出中。
#用于执行多头注意力操作，将注意力权重应用于值并计算加权
h = h.reshape(B, -1, H, W)
h = self.proj(h)
return h + x
# 定义一个名为Upsample的自定义神经网络模块
class Upsample(nn.Module):
def __init__(self, channels, use_conv):
super().__init__()
# 初始化函数，接受两个参数：channels表示输入通道数，use_conv表示是否使用卷积层
# 将use_conv标记存储在模块中，以便后续的操作可以根据该标记来选择不同的处理方式
self.use_conv = use_conv
# 如果use_conv为True，即选择使用卷积层
if use_conv:
# 创建一个卷积层，输入通道数和输出通道数都为channels
# 使用3x3的卷积核（kernel_size=3），并在输入周围填充1个像素（padding=1）
self.conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
# 定义模块的前向传播函数，接受输入张量x作为参数
def forward(self, x):
# 使用F.interpolate函数对输入张量x进行上采样
# 上采样的尺度因子为2（scale_factor=2）（将原图像的每个维度放大2倍），采用最近邻插值方式（mode="nearest"）
x = F.interpolate(x, scale_factor=2, mode="nearest")
# 如果use_conv为True，即选择使用卷积层
if self.use_conv:
# 将上采样后的张量x输入到卷积层self.conv中进行卷积操作
x = self.conv(x)
# 返回处理后的张量x作为模块的输出
return x
class Downsample(nn.Module):
#上采样和下采样的初始化都是输入通道数，和是否用卷积，如果不用卷积那么就用池化层进行下采样，如果用卷积，那么就用卷积核，步长为2去达到下采样的效果
def __init__(self, channels, use_conv):
super().__init__()
self.use_conv = use_conv
if use_conv:
self.op = nn.Conv2d(channels, channels, kernel_size=3, stride=2, padding=1)
else:
#利用平均池化层将数据缩小为原来的1/2
self.op = nn.AvgPool2d(stride=2)
def forward(self, x):
return self.op(x)
class UNetModel(nn.Module):
"""
The full UNet model with attention and timestep embedding
"""
def __init__(
self,
in_channels=3, # 输入通道数，默认为3（适用于RGB图像）
model_channels=128, # 模型通道数，默认为128
out_channels=3, # 输出通道数，默认为3（适用于RGB图像）
num_res_blocks=2, # 残差块的数量，默认为2
attention_resolutions=(8, 16), # 注意力分辨率的元组，默认为(8, 16)
dropout=0, # Dropout概率，默认为0（不使用Dropout）
channel_mult=(1, 2, 2, 2), # 通道倍增因子的元组，默认为(1, 2, 2, 2)
conv_resample=True, # 是否使用卷积重采样，默认为True
num_heads=4 # 注意力头的数量，默认为4
):
super().__init__()
# 初始化模型的各种参数
self.in_channels = in_channels
self.model_channels = model_channels
self.out_channels = out_channels
self.num_res_blocks = num_res_blocks
self.attention_resolutions = attention_resolutions
self.dropout = dropout
self.channel_mult = channel_mult
self.conv_resample = conv_resample
self.num_heads = num_heads
# 时间嵌入（用于处理时间信息的嵌入）
time_embed_dim = model_channels * 4
self.time_embed = nn.Sequential(
nn.Linear(model_channels, time_embed_dim),
nn.SiLU(),
nn.Linear(time_embed_dim, time_embed_dim),
)
# 下采样块
#所有的模块都是先定义，然后通过迭代的方式往模块里面加东西
self.down_blocks = nn.ModuleList([
TimestepEmbedSequential(nn.Conv2d(in_channels, model_channels, kernel_size=3, padding=1))
])
down_block_chans = [model_channels] # 存储下采样块每一阶段的通道数
ch = model_channels # 当前通道数初始化为模型通道数 初始为128
ds = 1 # 下采样的倍数，初始值为1
# 遍历不同阶段的下采样块
#channel_mult模块为（1，2，2，2），下采样块每层的块数
for level, mult in enumerate(channel_mult):
#num_res_blocks为残差块的数量，表示每块需要的残差快的数量
for _ in range(num_res_blocks):
layers = [
#ch为输入通道数，mult * model_channels为需要输出的维度数，time_embed_dim为时间嵌入的维度
ResidualBlock(ch, mult * model_channels, time_embed_dim, dropout)
#初始化剩余块，让我们后续能用forward函数将时间嵌入到x中
]
ch = mult * model_channels
#ds为一个值，一开始为1，然后每次乘以2，这里如果ds为8或者16时需要加上一个注意力模块
if ds in attention_resolutions:
layers.append(AttentionBlock(ch, num_heads=num_heads))
#将加入了残差快和注意力块的层加入下采样块当中
self.down_blocks.append(TimestepEmbedSequential(*layers))
#记录每一层采样的通道数
down_block_chans.append(ch)
if level != len(channel_mult) - 1: # 最后一个阶段不使用下采样
#这里由于之前的ch*2 所以，下采样后又恢复到了 ch，所以，我们在下采样通道中加入的ch
self.down_blocks.append(TimestepEmbedSequential(Downsample(ch, conv_resample)))
down_block_chans.append(ch)
ds *= 2
#整个流程的格式变换，128，128，64；256,256，128；256,256；
# 中间块
#中间块就是一个残差块+注意力块+残差块
self.middle_block = TimestepEmbedSequential(
ResidualBlock(ch, ch, time_embed_dim, dropout),
AttentionBlock(ch, num_heads=num_heads),
ResidualBlock(ch, ch, time_embed_dim, dropout)
)
# 上采样块
self.up_blocks = nn.ModuleList([])
#反过来计算通道的情况（2,2,2，1）
for level, mult in list(enumerate(channel_mult))[::-1]:
#反向时残差块的数目为3
for i in range(num_res_blocks + 1):
layers = [
ResidualBlock(
ch + down_block_chans.pop(),
model_channels * mult,
time_embed_dim,
dropout
)
]
ch = model_channels * mult
if ds in attention_resolutions:
layers.append(AttentionBlock(ch, num_heads=num_heads))
#如果level不为0，并且，i为2时（最后一块时）,进行上采样
if level and i == num_res_blocks:
layers.append(Upsample(ch, conv_resample))
ds //= 2
self.up_blocks.append(TimestepEmbedSequential(*layers))
# 输出层
#只是一个正则化，激活后的再一次不改变通道数的卷积
self.out = nn.Sequential(
norm_layer(ch),
nn.SiLU(),
nn.Conv2d(model_channels, out_channels, kernel_size=3, padding=1),
)
def forward(self, x, timesteps):
"""Apply the model to an input batch.
Args:
x (Tensor): [N x C x H x W]
timesteps (Tensor): a 1-D batch of timesteps.
Returns:
Tensor: [N x C x ...]
"""
#记录每次下采样得到结果，用于后面上采样的copy and crop
hs = []
# 时间步嵌入
#利用timesteps参数，计算时间步的嵌入
#首先用timestep_embedding,将时间序列timesteps（1*n）转化为（n*model_channels）
#然后用time_embed将之前的n*model_channels转化为 n*time_embed_dim（也就是原来的mocel_channels*4）
emb = self.time_embed(timestep_embedding(timesteps, self.model_channels))
#最终得到一个时间步嵌入的矩阵
# 下采样阶段
h = x
for module in self.down_blocks:
#每次用时间步嵌入的矩阵信息emb，更新并记录每次的h
h = module(h, emb)
hs.append(h)
# 中间阶段
h = self.middle_block(h, emb)
# 上采样阶段
for module in self.up_blocks:
cat_in = torch.cat([h, hs.pop()], dim=1)
h = module(cat_in, emb)
return self.out(h)
#线性β，只是等距的值
def linear_beta_schedule(timesteps):
"""
beta schedule
"""
scale = 1000 / timesteps
beta_start = scale * 0.0001
beta_end = scale * 0.02
#等距生成timesteps个数值，作为β的取值
return torch.linspace(beta_start, beta_end, timesteps, dtype=torch.float64)
#实现了一个余弦学习率调度
#timesteps: 这是一个整数参数，指定生成渐变序列的时间步数。
#s: 这是余弦调度的一个超参数，控制余弦曲线的形状。默认值为0.008。
def cosine_beta_schedule(timesteps, s=0.008):
"""
cosine schedule
as proposed in https://arxiv.org/abs/2102.09672
"""
steps = timesteps + 1
x = torch.linspace(0, timesteps, steps, dtype=torch.float64)
#alphas_cumprod: 这个步骤计算了一个余弦曲线的累积乘积，并且通过缩放将其限制在0到1之间。这个曲线的形状由s参数控制。
alphas_cumprod = torch.cos(((x / timesteps) + s) / (1 + s) * math.pi * 0.5) ** 2
alphas_cumprod = alphas_cumprod / alphas_cumprod[0]
#betas: 计算了渐变的beta值序列，通过计算相邻时间步的alphas_cumprod之间的差异。
betas = 1 - (alphas_cumprod[1:] / alphas_cumprod[:-1])
#最后，将beta值序列裁剪到区间[0, 0.999]之间，以确保其在有效范围内。
return torch.clip(betas, 0, 0.999)
class GaussianDiffusion:
def __init__(
self,
timesteps=1000, # 初始化函数，设置默认时间步数为1000
beta_schedule='linear' # 初始化函数，设置默认的beta调度为'linear'
):
self.timesteps = timesteps # 存储时间步数
# 根据选择的beta调度类型，生成beta值的序列
if beta_schedule == 'linear':
betas = linear_beta_schedule(timesteps)
elif beta_schedule == 'cosine':
betas = cosine_beta_schedule(timesteps)
else:
raise ValueError(f'unknown beta schedule {beta_schedule}')
self.betas = betas # 存储beta值序列
# 计算alpha值（1 - beta）和alpha的累积乘积（1,2，3）变为（1,2，6）
self.alphas = 1. - self.betas
self.alphas_cumprod = torch.cumprod(self.alphas, axis=0)
#F.pad（a,b,c）函数，在a向量的最前面和最后面分别添加b个c元素
self.alphas_cumprod_prev = F.pad(self.alphas_cumprod[:-1], (1, 0), value=1.)
#这个操作的目的通常是为了在某些计算中需要使用 self.alphas_cumprod_prev 作为一个与 self.alphas_cumprod 相关的中间变量。在这种情况下，添加一个1作为起始值可以确保计算的正确性。
# calculations for diffusion q(x_t | x_{t-1}) and others
#计算一些用于不同公式的其他变量
self.sqrt_alphas_cumprod = torch.sqrt(self.alphas_cumprod)
self.sqrt_one_minus_alphas_cumprod = torch.sqrt(1.0 - self.alphas_cumprod)
self.log_one_minus_alphas_cumprod = torch.log(1.0 - self.alphas_cumprod)
self.sqrt_recip_alphas_cumprod = torch.sqrt(1.0 / self.alphas_cumprod)
self.sqrt_recipm1_alphas_cumprod = torch.sqrt(1.0 / self.alphas_cumprod - 1)
# calculations for posterior q(x_{t-1} | x_t, x_0)
self.posterior_variance = (
self.betas * (1.0 - self.alphas_cumprod_prev) / (1.0 - self.alphas_cumprod)
)
# below: log calculation clipped because the posterior variance is 0 at the beginning
# of the diffusion chain
#用于存储后验分布的对数方差
self.posterior_log_variance_clipped = torch.log(self.posterior_variance.clamp(min =1e-20))
#后验均值的系数1
self.posterior_mean_coef1 = (
self.betas * torch.sqrt(self.alphas_cumprod_prev) / (1.0 - self.alphas_cumprod)
)
#后验均值的系数2
self.posterior_mean_coef2 = (
(1.0 - self.alphas_cumprod_prev)
* torch.sqrt(self.alphas)
/ (1.0 - self.alphas_cumprod)
)
def _extract(self, a, t, x_shape):
# 辅助函数：从a中提取与时间步t对应的参数
# get the param of given timestep t
batch_size = t.shape[0]
out = a.to(t.device).gather(0, t).float()
#将输出的out的形状改为只有batch_size,其余维度都为1
out = out.reshape(batch_size, *((1,) * (len(x_shape) - 1)))
return out
def q_sample(self, x_start, t, noise=None):
# forward diffusion (using the nice property): q(x_t | x_0)
if noise is None:
noise = torch.randn_like(x_start)
#获得第t步的参数数据
sqrt_alphas_cumprod_t = self._extract(self.sqrt_alphas_cumprod, t, x_start.shape)
sqrt_one_minus_alphas_cumprod_t = self._extract(self.sqrt_one_minus_alphas_cumprod, t, x_start.shape)
#然后和随机产生的噪声进行按比例拟合达到加噪的效果
return sqrt_alphas_cumprod_t * x_start + sqrt_one_minus_alphas_cumprod_t * noise
def q_mean_variance(self, x_start, t):
# Get the mean and variance of q(x_t | x_0).
#x_start为需要输入的图像
mean = self._extract(self.sqrt_alphas_cumprod, t, x_start.shape) * x_start
variance = self._extract(1.0 - self.alphas_cumprod, t, x_start.shape)
log_variance = self._extract(self.log_one_minus_alphas_cumprod, t, x_start.shape)
return mean, variance, log_variance
def q_posterior_mean_variance(self, x_start, x_t, t):
# Compute the mean and variance of the diffusion posterior: q(x_{t-1} | x_t, x_0)
posterior_mean = (
self._extract(self.posterior_mean_coef1, t, x_t.shape) * x_start
+ self._extract(self.posterior_mean_coef2, t, x_t.shape) * x_t
)
posterior_variance = self._extract(self.posterior_variance, t, x_t.shape)
posterior_log_variance_clipped = self._extract(self.posterior_log_variance_clipped, t, x_t.shape)
return posterior_mean, posterior_variance, posterior_log_variance_clipped
#反向预测，对于输入的x_t反向去噪noise
def predict_start_from_noise(self, x_t, t, noise):
# compute x_0 from x_t and pred noise: the reverse of `q_sample`
return (
self._extract(self.sqrt_recip_alphas_cumprod, t, x_t.shape) * x_t -
self._extract(self.sqrt_recipm1_alphas_cumprod, t, x_t.shape) * noise
)
#最终返回预测的均值，方差
def p_mean_variance(self, model, x_t, t, clip_denoised=True):
# compute predicted mean and variance of p(x_{t-1} | x_t)
# predict noise using model
#unet模块学习加入了时间t（这里的t为所有值为t的向量）信息的x_t,通过参数调整，最终变为我们的反向预测噪声
pred_noise = model(x_t, t)
# get the predicted x_0: different from the algorithm2 in the paper
#从反向预测噪声和x_t预测我们的开始值（去噪）
x_recon = self.predict_start_from_noise(x_t, t, pred_noise)
#将 x_recon 张量中的元素限制在 -1.0 到 1.0 的范围内，任何小于 -1.0 的元素都被设置为 -1.0，任何大于 1.0 的元素都被设置为 1.0。
if clip_denoised:
x_recon = torch.clamp(x_recon, min=-1., max=1.)
model_mean, posterior_variance, posterior_log_variance = self.q_posterior_mean_variance(x_recon, x_t, t)
return model_mean, posterior_variance, posterior_log_variance
@torch.no_grad()
#从最后一步的随机噪声向前进行去噪采样
def p_sample(self, model, x_t, t, clip_denoised=True):
# denoise_step: sample x_{t-1} from x_t and pred_noise
# predict mean and variance
model_mean, _, model_log_variance = self.p_mean_variance(model, x_t, t, clip_denoised=clip_denoised)
noise = torch.randn_like(x_t)
# no noise when t == 0
nonzero_mask = ((t != 0).float().view(-1, *([1] * (len(x_t.shape) - 1))))#判断t是否为0，是0则为0，非0则为1
# compute x_{t-1}
pred_img = model_mean + nonzero_mask * (0.5 * model_log_variance).exp() * noise
return pred_img
@torch.no_grad()
def p_sample_loop(self, model, shape):
# denoise: reverse diffusion
batch_size = shape[0]
device = next(model.parameters()).device
# start from pure noise (for each example in the batch)
img = torch.randn(shape, device=device)
imgs = []
#tqdm是python中的一个库，用于创建进度条，以可视化地显示循环的进度。它可以帮助你了解循环还需要多长时间完成，特别是在处理大数据集或长时间运行的任务时非常有用。total是定义总的步数
#采样传入的image为随机生成的噪声，也就代表了最后的x_t时的噪声
for i in tqdm(reversed(range(0, timesteps)), desc='sampling loop time step', total=timesteps):
#torch.full((batch_size,), i)创建一个值都为i的向量
img = self.p_sample(model, img, torch.full((batch_size,), i, device=device, dtype=torch.long))
imgs.append(img.cpu().numpy())
return imgs
@torch.no_grad()
def sample(self, model, image_size, batch_size=8, channels=3):
# sample new images
return self.p_sample_loop(model, shape=(batch_size, channels, image_size, image_size))
def train_losses(self, model, x_start, t):
# compute train losses
# generate random noise
# 随机生成一个正态分布
noise = torch.randn_like(x_start)
# get x_t
#输入的图像作为x_start，正太分布噪声采用我们自己随机生成的
#通过前向加噪，对输入图像加入t时刻的噪声（前向加入噪的噪声作为基准噪声）
x_noisy = self.q_sample(x_start, t, noise=noise)
#通过unet，对前向生成的噪声和t，生成我们的预测噪声
predicted_noise = model(x_noisy, t)
#损失函数就是生成的噪声和预测的噪声进行损失的计算
loss = F.mse_loss(noise, predicted_noise)
return loss
看看效果
from PIL import Image
import requests
import matplotlib.pyplot as plt
from torchvision import datasets, transforms
%matplotlib inline
url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
# image = Image.open("/data/000000039769.jpg")
image_size = 128
transform = transforms.Compose([
transforms.Resize(image_size),
transforms.CenterCrop(image_size),
transforms.PILToTensor(),
transforms.ConvertImageDtype(torch.float),
transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])
x_start = transform(image).unsqueeze(0)
gaussian_diffusion = GaussianDiffusion(timesteps=500)
plt.figure(figsize=(16, 8))
for idx, t in enumerate([0, 50, 100, 200, 499]):
#根据x_start和t生成从0~t加噪后的结果
x_noisy = gaussian_diffusion.q_sample(x_start, t=torch.tensor([t]))
#squeeze(): 这是一个挤压操作，它用于去除输入张量 中维度为1的维度，以简化张量的形状
#permute(1, 2, 0): 这是一个维度置换操作，将第一个维度移到最后一个维度
#最后对每个张量+1然后乘以127.5（原来的数为-1~1，+1变为0~2，x127.5变为0~255）
noisy_image = (x_noisy.squeeze().permute(1, 2, 0) + 1) * 127.5
noisy_image = noisy_image.numpy().astype(np.uint8)
plt.subplot(1, 5, 1 + idx)
plt.imshow(noisy_image)
plt.axis("off")
plt.title(f"t={t}")
②训练
准备数据集
batch_size = 64
timesteps = 500
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize(mean=[0.5], std=[0.5])
])
# use MNIST dataset
dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)
模型
# define model and diffusion
device = "cuda" if torch.cuda.is_available() else "cpu"
#这里初始化unet模块，输入输出的channel为1.注意力模块这里没有加
model = UNetModel(
in_channels=1,
model_channels=96,
out_channels=1,
channel_mult=(1, 2, 2),
attention_resolutions=[]
)
model.to(device)
#初始化高斯扩散模型（只初始化了需要迭代的步骤为500步），时间步默认为线性生成的时间步
gaussian_diffusion = GaussianDiffusion(timesteps=timesteps)
#优化器对unet模型的参数进行优化
optimizer = torch.optim.Adam(model.parameters(), lr=5e-4)
开始训练
epochs = 10
for epoch in range(epochs):
for step, (images, labels) in enumerate(train_loader):
optimizer.zero_grad()
batch_size = images.shape[0]
images = images.to(device)
# sample t uniformally for every example in the batch
#随机生成batch_size个（0~timesteps）的t（对于每次训练数据，我们是随机对第其中一个t时刻的加噪过程进行训练和预测）
t = torch.randint(0, timesteps, (batch_size,), device=device).long()
#输入unet模型，样本图像，和t计算损失
loss = gaussian_diffusion.train_losses(model, images, t)
#先随机生成一个正太分布(作为我们的加噪的正太分布）
#将输入的图像images作为x_start
#通过前向加噪，对输入的图像加入t时刻的噪声（此时生成的噪声作为我们的基准噪声）
#通过unet，输入上一步的基准噪声，和时间步t，我们进行对基准噪声的预测
#损失函数计算的就是我们的预测噪声和基准噪声之间的差距，采用的是每个像素点的均方差的计算
if step % 200 == 0:
print("Loss:", loss.item())
#每次训练模型都是让我们的unet模型的参数进行优化，让我们的unet模型最终可以根据给定一个加噪了t次后的图像，和t，去生成一个对于这个基准噪声的预测。（也就是，我们的unet模型能生成和加入的噪声十分相似的噪声）
loss.backward()
optimizer.step()
Loss: 1.2879185676574707
Loss: 0.05010918155312538
Loss: 0.037472739815711975
Loss: 0.03259456530213356
Loss: 0.03238191455602646
Loss: 0.03526081144809723
Loss: 0.019976193085312843
Loss: 0.026588361710309982
Loss: 0.02474384568631649
Loss: 0.025454936549067497
Loss: 0.01776018552482128
Loss: 0.028406977653503418
Loss: 0.026149388402700424
Loss: 0.023932695388793945
Loss: 0.0222737155854702
Loss: 0.025710856541991234
Loss: 0.026215054094791412
Loss: 0.02046349085867405
Loss: 0.02683963067829609
Loss: 0.023800114169716835
Loss: 0.024538405239582062
Loss: 0.021686285734176636
Loss: 0.019745750352740288
Loss: 0.02584003284573555
Loss: 0.026672476902604103
Loss: 0.023941144347190857
Loss: 0.03131483495235443
Loss: 0.018094774335622787
Loss: 0.025758417323231697
Loss: 0.025309113785624504
Loss: 0.0224548801779747
Loss: 0.021184200420975685
Loss: 0.01910235919058323
Loss: 0.024598510935902596
Loss: 0.024002162739634514
Loss: 0.0232978705316782
Loss: 0.016557812690734863
Loss: 0.019946767017245293
Loss: 0.020528556779026985
Loss: 0.01813691109418869
Loss: 0.020777976140379906
Loss: 0.021010225638747215
Loss: 0.02573891542851925
Loss: 0.02588081546127796
Loss: 0.016215061768889427
Loss: 0.025008078664541245
Loss: 0.01972994953393936
Loss: 0.021410418674349785
Loss: 0.024027982726693153
Loss: 0.021927889436483383
③测试
generated_images = gaussian_diffusion.sample(model, 28, batch_size=64, channels=1)
# generated_images: [timesteps, batch_size=64, channels=1, height=28, width=28]
sampling loop time step: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 500/500 [00:30<00:00, 16.61it/s]
# generate new images
fig = plt.figure(figsize=(12, 12), constrained_layout=True)
#并定义了一个网格布局，该布局包含 8 行和 8 列的子图
gs = fig.add_gridspec(8, 8)
#[-1]表示生成图像的最后一个，也就是x0（最后生成的图片），将数组重新排列为8,8，28,28的形式
imgs = generated_images[-1].reshape(8, 8, 28, 28)
for n_row in range(8):
for n_col in range(8):
#将图像加入8*8网格对应的位置
f_ax = fig.add_subplot(gs[n_row, n_col])
#将图像的值变换到0~255进行可视化
f_ax.imshow((imgs[n_row, n_col]+1.0) * 255 / 2, cmap="gray")
f_ax.axis("off")
可以看到我们的扩散模型生成的图像与minist数据集还是非常相似的
展示降噪的过程
# show the denoise steps
fig = plt.figure(figsize=(12, 12), constrained_layout=True)
gs = fig.add_gridspec(16, 16)
#也就是我们生成的generated_images是一个多维的矩阵，step，batchsize，28,28,1 ; 然后我们需要对第i个step过程取其中的第n_row个图片，然后去展示这个去噪的过程
for n_row in range(16):
for n_col in range(16):
f_ax = fig.add_subplot(gs[n_row, n_col])
#t_idx计算为第几步的噪声，从500开始到0
t_idx = (timesteps // 16) * n_col if n_col < 15 else -1
#n_now为第n个图像
img = generated_images[t_idx][n_row].reshape(28, 28)
f_ax.imshow((img+1.0) * 255 / 2, cmap="gray")
f_ax.axis("off")
三主要训练过程的解析
不好理解之处对于最后的sample阶段的取样过程，是如何从随机的噪声一步一步去噪恢复原图像的：
流程上讲：
如上图所示，每次第t时刻，我们首先将t时刻的噪声xt和t时刻位置的正弦编码输入unet网络，得到我们预测的噪声，然后经过对预测的噪声进行处理得到我们预测的均值和方差，然后通过参数重参化技巧，构建我们生成的预测去噪图像（这里我们每次得到的预测结果，是作为下一次新的t-1时刻的噪声xt-1），然后通过连续的迭代，最终生成初始x0时刻的图像（也就是我们最终的反向去噪图像）。
难点在于：
对于均值和方差的预测，以及预测图像的重构等过程的数学推导，可以先有个大概的印象，后续在慢慢攻克