目录

5种生成模型(VAE、GAN、AR、Flow 和 Diffusion)的对比梳理 + 易懂讲解 + 代码实现

目录

[1 变分自编码器(VAE)​](#1 变分自编码器(VAE))

[1.1 概念](#1.1 概念)

[1.2 训练损失](#1.2 训练损失)

[1.3 VAE 的实现](#1.3 VAE 的实现)

[2 生成对抗网络(GAN)​](#2 生成对抗网络(GAN))

[2.1 概念](#2.1 概念)

[2.2 训练损失](#2.2 训练损失)

[a. 判别器的损失函数](#a. 判别器的损失函数)

[b. 生成器的损失函数](#b. 生成器的损失函数)

[c. 对抗训练的动态过程](#c. 对抗训练的动态过程)

[2.3 GAN 的实现](#2.3 GAN 的实现)

[3 自回归模型(AR)](#3 自回归模型(AR))

[3.1 概念](#3.1 概念)

[3.2 训练过程](#3.2 训练过程)

[a.核心思想: 用历史预测未来](#a.核心思想: 用历史预测未来)

[b. Transformer 的损失计算:交叉熵监督预测](#b. Transformer 的损失计算:交叉熵监督预测)

[c. 损失计算的具体步骤](#c. 损失计算的具体步骤)

[3.2 代码实现(Transformer-AR)​](#3.2 代码实现(Transformer-AR))

[4 流模型(Flow)​](#4 流模型(Flow))

[4.1 概念](#4.1 概念)

[4.2 训练过程](#4.2 训练过程)

[4.2 代码实现(Flow)](#4.2 代码实现(Flow))

[5 扩散模型(Diffusion)​](#5 扩散模型(Diffusion))

[5.1 概念](#5.1 概念)

[5.2 训练过程](#5.2 训练过程)

[5.2 代码实现(Diffusion)](#5.2 代码实现(Diffusion))

[6 小结](#6 小结)


随着Sora、diffusion、GPT等模型的大火,深度生成模型又成为了大家的焦点。

深度生成模型是一类强大的机器学习工具,它可以从输入数据学习其潜在的分布,进而生成与训练数据相似的新的样本数据,它在计算机视觉、密度估计、自然语言和语音识别等领域得到成功应用, 并给无监督学习提供了良好的范式。

本文汇总了常用的深度学习模型,深入介绍其原理及应用:VAE (变分自编码器)、GAN (生成对抗网络)、AR (自回归模型 如 Transformer)、Flow (流模型)和 Diffusion(扩散模型)

模型 核心目标 原理 优点 缺点 应用场景
VAE 学习潜在空间分布,编码器-解码器生成与训练数据相似的样本 基于变分推断,将输入数据映射到潜在空间的正态分布,解码器重构数据,优化重构误差与KL散度 训练稳定,支持潜在空间插值;生成样本多样化 生成图像模糊;KL散度约束可能导致信息丢失 数据填充、特征提取、图像修复
GAN 通过生成器与判别器的对抗训练,生成与真实数据难分的样本 生成器从噪声生成假数据,判别器区分真假;两者通过零和博弈优化,最终达到纳什均衡 生成图像细节丰富;单步推理速度快 训练不稳定;生成多样性不足;需精细调参 艺术创作、风格迁移、图像超分辨率
AR 自回归地生成序列数据,逐个预测下一个元素的概率分布 基于条件概率分解(如Transformer),自注意力机制捕捉长程依赖,逐像素/逐token生成数据 建模能力强,支持长序列生成;训练稳定 生成速度慢 (逐步采样);高维数据计算成本高 文本生成、时序预测、图像生成
Flow 可逆变换将简单分布转为复杂数据分布,实现精确概率密度估计 设计可逆神经网络层,利用变量变换公式计算数据对数似然,优化雅可比行列式。 支持精确密度估计;生成与重建可逆 高维数据下变换设计复杂;计算雅可比行列式开销大 语音合成、密度估计、图像生成
Diffusion 通过逐步去噪过程从高斯噪声重建数据分布,生成高质量样本 正向扩散(逐步加噪)与逆向扩散(学习去噪)结合,基于马尔可夫链建模条件概率 生成质量最高;训练稳定 推理速度慢;显存占用高 高清图像生成、多模态/视频生成

1 变分自编码器(VAE)​

1.1 概念

VAE是在自编码器(A uto-E ncoder)的基础上,结合变分推断(V ariational Inference)和贝叶斯理论提出的一种深度生成模型。VAE 的目标是学习一个能够生成与训练数据相似样本的模型。它假设隐变量服从某种先验分布(如标准正态分布),并通过编码器将输入数据映射到隐变量的后验分布,再通过解码器将隐变量还原成生成样本。

补充

1. 先验分布的概念

假设我们要通过身高预测体重,贝叶斯理论会要求我们先对体重有一个 "初始认知"(比如平均体重 60kg,波动范围 ±10kg)。这个初始认知就是先验分布,它反映了我们在看到具体数据前对某个变量的信念

2. VAE 中的先验设计

在 VAE 中,隐变量(latent variable)z 被假设服从某种简单分布(通常是标准正态分布 N (0,1))。这就像我们在做图像生成任务时,先假设所有图像的潜在特征(比如形状、颜色)都符合 "常见特征分布"

1.2 训练损失

VAE的训练损失函数包括 重构损失 (如均方误差)和 KL散度(衡量潜在分布与标准正态分布的差异)

损失函数

  • 重构项:衡量解码器重建输入数据的能力(如均方误差或交叉熵)
  • KL散度项:约束潜在分布 q(z∣x) 与先验分布 p(z)(通常为标准正态分布)的相似性,平衡参数为 β(如 β-VAE)

优化目标:最大化证据下界(ELBO),同时保证潜在空间的结构化和连续性

补充

1. 损失函数的两大核心目标

VAE 的损失函数像一个 "双面裁判",同时监督两个目标:

  • 重建能力:"你生成的图片要和原图差不多!"(重构损失)
  • 规则意识:"你不能乱想!生成规则要符合常识!"(KL 散度)

2. 重构损失:像照镜子的误差

  • 作用:确保解码器能把隐变量 z 还原成接近原图的样子。
  • 数学形式
    • 图像任务常用均方误差(MSE):计算每个像素点的误差平方和。
    • 文本任务常用交叉熵:衡量生成分布与真实分布的差异。

3. KL 散度:用规则约束想象力

  • 作用:强制隐变量 z 的分布接近先验(如正态分布)。
  • 数学意义
    KL 散度 = 0 时,后验分布 q (z|x) 和先验 p (z) 完全一致;数值越大,说明模型越 "不守规矩"。

4. β-VAE:用旋钮调节规则强度

  • β 参数 :像音量旋钮一样调节 KL 散度的权重。
    • β=0 时:完全不管规则,可能生成奇形怪状的样本(如猫的耳朵长在尾巴上)。
    • β 很大时:过于遵守规则,生成样本千篇一律(所有猫都长一个样)。

5. ELBO:为什么要同时优化这两个目标?

  • ELBO 公式
    ELBO = 重构损失 - KL 散度
    (更准确的数学表达需要结合概率模型,但这里简化理解)
  • 核心逻辑
    模型需要同时做到:
    1. 记住训练数据的特征(重构损失小)
    2. 把这些特征压缩到 "常识空间"(KL 散度小)
      这就像学习绘画时,既要准确临摹(重构),又要符合透视、比例等规则(KL 约束)。

详细介绍:

【VAE学习笔记】全面通透地理解VAE(Variational Auto Encoder)_vae架构-CSDN博客

1.3 VAE 的实现

python 复制代码
import torch
import torch.nn as nn
import torch.nn.functional as F

class VAE(nn.Module):
    def __init__(self, input_dim=784, hidden_dim=400, latent_dim=20):
        super(VAE, self).__init__()
        # 编码器:输入 → 隐藏层 → 均值和方差
        self.encoder = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, latent_dim * 2)  # 输出均值和对数方差
        )
        # 解码器:潜在变量 → 隐藏层 → 重构输入
        self.decoder = nn.Sequential(
            nn.Linear(latent_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim),
            nn.Sigmoid()  # 输出像素值在[0,1]区间
        )

    def reparameterize(self, mu, log_var):
        """重参数化技巧:从N(μ, σ²)采样潜在变量z"""
        std = torch.exp(0.5 * log_var)  # 计算标准差
        eps = torch.randn_like(std)      # 生成随机噪声
        return mu + eps * std           # 返回采样结果

    def forward(self, x):
        # 编码:x → μ和logσ²
        h = self.encoder(x)
        mu, log_var = torch.chunk(h, 2, dim=1)  # 分割为均值和方差
        # 采样潜在变量z
        z = self.reparameterize(mu, log_var)
        # 解码:z → 重构x
        x_recon = self.decoder(z)
        return x_recon, mu, log_var

# 损失函数:重构损失 + KL散度
def loss_function(x_recon, x, mu, log_var):
    recon_loss = F.binary_cross_entropy(x_recon, x, reduction='sum')  # 重构损失(交叉熵)
    kl_div = -0.5 * torch.sum(1 + log_var - mu.pow(2) - log_var.exp()) # KL散度
    return recon_loss + kl_div

2 生成对抗网络(GAN)​

2.1 概念

GAN由两部分组成:生成器(Generator)判别器(Discriminator)

  • 生成器的任务是生成尽可能接近真实数据的假数据
  • 判别器的任务是区分输入数据是真实数据还是生成器生成的假数据
  • 二者通过相互竞争与对抗 ,共同进化,最终生成器能够生成非常接近真实数据的样本

训练过程:

  1. 判别器接受真实数据和生成器生成的假数据,进行二分类训练,优化其判断真实或生成数据的能力

  2. 生成器 根据判别器的反馈,尝试生成更加真实的假数据以欺骗判别器

  3. 交替训练判别器和生成器,直到判别器无法区分真实和生成数据,或达到预设的训练轮数

2.2 训练损失

a. 判别器的损失函数

  • 判别器的目标是最大化正确判断的概率:
    • 真实样本:输出 1(正确识别为真)。
    • 生成样本:输出 0(正确识别为假)。
  • 数学表达
  • 直观解释 : 判别器的损失是两部分交叉熵的总和
    1. 对真实样本判断错误的惩罚(希望 log D (x) 尽可能大,所以取负号)。
    2. 对生成样本判断错误的惩罚(希望 log (1-D (G (z))) 尽可能大,同样取负号)。

b. 生成器的损失函数

  • 生成器的目标是让判别器误判生成样本为真:
    • 生成样本:让判别器输出 1(即让 D (G (z)) 趋近于 1)。
  • 数学表达
  • 直观解释: 生成器的损失是判别器误判生成样本的惩罚(希望 log D (G (z)) 尽可能大,所以取负号)。

c. 对抗训练的动态过程

  1. 第一轮训练

    • 生成器随机生成低质量样本(如模糊的人脸)。
    • 判别器轻松识别真伪,损失很低(因为正确判断了大部分样本)。
    • 生成器的损失很高(因为判别器几乎都识别为假)。
  2. 第二轮训练

    • 生成器改进造假技术(如生成更清晰的人脸)。
    • 判别器被 "迷惑",损失上升(因为部分生成样本被误判为真)。
    • 生成器的损失下降(因为判别器误判增多)。
  3. 最终平衡

    • 生成器能生成足以以假乱真的样本。
    • 判别器无法准确区分真伪,损失趋近于理论下限(交叉熵为 log (0.5))。

为什么使用交叉熵作为损失?

  • 交叉熵的特性
    它衡量两个概率分布的差异。当判别器对真实样本输出 1、生成样本输出 0 时,交叉熵为 0(理想状态)。
  • 对抗的本质
    生成器希望让判别器的输出分布与 "全 1" 分布更接近(对生成样本),而判别器希望让输出分布与 "真实标签分布" 更接近(对真实样本为 1,生成样本为 0)。

2.3 GAN 的实现

python 复制代码
class Generator(nn.Module):
    """生成器:从噪声生成图像"""
    def __init__(self, noise_dim=100, output_dim=784):
        super(Generator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(noise_dim, 256),
            nn.ReLU(),
            nn.Linear(256, 512),
            nn.ReLU(),
            nn.Linear(512, output_dim),
            nn.Tanh()  # 输出范围[-1,1],需在数据预处理时归一化
        )
    
    def forward(self, z):
        return self.model(z).view(-1, 1, 28, 28)  # 输出形状为(B, 1, 28, 28)

class Discriminator(nn.Module):
    """判别器:区分真实图像与生成图像"""
    def __init__(self, input_dim=784):
        super(Discriminator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(input_dim, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 1),
            nn.Sigmoid()  # 输出概率值
        )
    
    def forward(self, x):
        x = x.view(-1, 784)  # 展平输入
        return self.model(x)

# 训练循环示例(简化版)
def train_gan():
    G = Generator()
    D = Discriminator()
    criterion = nn.BCELoss()
    # 交替优化生成器和判别器
    for real_images, _ in dataloader:
        # 训练判别器
        real_labels = torch.ones(real_images.size(0), 1)
        fake_labels = torch.zeros(real_images.size(0), 1)
        # 判别器对真实图像的损失
        real_loss = criterion(D(real_images), real_labels)
        # 生成假图像并计算判别器损失
        z = torch.randn(real_images.size(0), 100)
        fake_images = G(z)
        fake_loss = criterion(D(fake_images.detach()), fake_labels)
        d_loss = real_loss + fake_loss
        # 反向传播更新判别器
        d_loss.backward()
        optimizer_D.step()
        
        # 训练生成器
        g_loss = criterion(D(fake_images), real_labels)  # 欺骗判别器
        g_loss.backward()
        optimizer_G.step()

3 自回归模型(AR)

3.1 概念

算法原理:自回归模型是一种基于序列数据的生成模型 ,它通过预测序列中下一个元素的值来生成数据。给定一个序列(x_1, x_2, ..., x_n),自回归模型试图学习条件概率分布(P(x_t | x_{t-1}, ..., x_1)),其中(t)表示序列的当前位置。AR模型可以通过循环神经网络(RNN)Transformer 等结构实现。

如下以 Transformer 为例解析。

在深度学习的早期阶段,卷积神经网络(CNN)在图像识别和自然语言处理领域取得了显著的成功。然而,随着任务复杂度的增加,序列到序列(Seq2Seq)模型和循环神经网络(RNN)成为处理序列数据的常用方法。尽管RNN及其变体在某些任务上表现良好,但它们在处理长序列时容易遇到梯度消失和模型退化问题。为了解决这些问题,Transformer模型被提出。而后的GPT、Bert等大模型都是基于Transformer实现了卓越的性能!

3.2 训练过程

a.核心思想: 用历史预测未来

自回归模型的核心是根据过去的输出预测未来的输出。例如:

  • 语言模型:根据 "今天天气" 预测下一个词 "很" 或 "热"。
  • 时间序列预测:根据过去 10 天的股价预测第 11 天的股价。

Transformer 作为自回归模型: 它通过注意力机制捕捉序列中每个位置与之前所有位置的依赖关系,最终输出每个位置的预测概率分布。

b. Transformer 的损失计算:交叉熵监督预测

输入与输出的关系
  • 输入序列:例如句子 "我喜欢"。
  • 目标序列:将输入右移一位,得到 "喜欢天"(假设任务是补全句子)。
  • 模型目标:对每个位置,预测下一个词的概率分布。
损失函数的数学表达
  • 直观解释: 交叉熵损失衡量模型预测的概率分布与真实标签的差异。 例如:若真实词是 "天",而模型预测 "天" 的概率为 0.8,则贡献的损失是 \(-\log(0.8) \approx 0.223\)。

c. 损失计算的具体步骤

  • (1) 嵌入与位置编码

    • 将输入词(如 "我""喜""欢")转换为向量,并添加位置信息。
  • (2) 因果掩码(Causal Masking)

    • 在自注意力计算时,屏蔽未来信息。例如:预测 "欢" 时,只能看到 "我" 和 "喜",看不到 "天"。
  • (3) 多头注意力与前馈网络

    • 通过注意力机制整合历史信息,生成每个位置的预测向量。
  • (4) 输出层与概率分布

    • 将预测向量映射到词表的概率分布(如 10000 个词的 softmax 输出)。
  • (5) 计算损失

    • 对比每个位置的预测概率与真实词的 one-hot 编码,累加交叉熵。

为什么使用交叉熵?

  • 分类问题的天然选择:每个位置的预测是多分类任务(选择词表中的一个词)

直观案例:生成句子 "我喜欢晴天"

  • 输入序列:["我", "喜", "欢"]
  • 目标序列:["喜", "欢", "晴"]
  • 损失计算
    1. 预测第一个位置("我")的下一个词 "喜",若正确则损失低
    2. 预测第二个位置("喜")的下一个词 "欢",若正确则继续
    3. 预测第三个位置("欢")的下一个词 "晴",若错误则贡献高损失

训练中的优化技巧

  • 掩码填充(Padding Mask):忽略输入中的无效填充符号(如 "<pad>")
  • 学习率调度:使用 warm-up 策略避免初始训练时的不稳定
  • 梯度裁剪:防止长序列反向传播时的梯度爆炸

与 VAE/GAN 损失的对比

模型 损失类型 监督方式
VAE 重构损失 + KL 散度 无监督(仅输入数据)
GAN 对抗损失(交叉熵 / 其他) 无监督(仅输入数据)
Transformer 交叉熵(自回归监督) 有监督(需目标序列)

详细解读: 注意力机制 → Transformer+位置编码(掩码softmax - 查询-键-值(Query-Key-Value,QKV)模式的理解)-CSDN博客

3.2 代码实现(Transformer-AR)​

python 复制代码
class TransformerAR(nn.Module):
    """基于Transformer的自回归图像生成模型(Pixel Transformer)"""
    def __init__(self, vocab_size=256, embed_dim=128, num_heads=4, num_layers=3):
        super(TransformerAR, self).__init__()
        # 输入:图像展平为序列(如28x28 → 784像素)
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.positional_enc = nn.Parameter(torch.randn(784, embed_dim))  # 位置编码
        # Transformer编码器(仅解码模式)
        encoder_layer = nn.TransformerEncoderLayer(
            d_model=embed_dim, nhead=num_heads, dim_feedforward=512
        )
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers)
        # 输出层:预测每个像素的概率分布
        self.fc = nn.Linear(embed_dim, vocab_size)
    
    def forward(self, x):
        # x形状:(B, seq_len) 每个位置是像素值(0-255)
        x = self.embedding(x) + self.positional_enc  # 嵌入 + 位置编码
        # 自注意力掩码(防止看到未来信息)
        mask = torch.triu(torch.ones(784, 784), diagonal=1).bool()
        # Transformer处理
        out = self.transformer(x, mask=mask)
        # 预测每个像素的分布
        logits = self.fc(out)
        return logits

# 生成示例(逐像素生成)
def generate(self, start_token, max_len=784):
    generated = start_token
    for _ in range(max_len):
        logits = self(generated)
        next_pixel = torch.multinomial(F.softmax(logits[:, -1, :], dim=-1), 1)
        generated = torch.cat([generated, next_pixel], dim=1)
    return generated

4 流模型(Flow)​

4.1 概念

算法原理:流模型是一种基于可逆变换的深度生成模型。它通过一系列可逆的变换,将简单分布(如均匀分布或正态分布)转换为复杂的数据分布。

核心思想:用 "可逆魔法" 转换分布 流模型就像一个 "数据变形大师",它的核心是可逆变换。想象你有一团标准形状的橡皮泥(简单分布,如正态分布),通过一系列可逆向操作的手法(比如拉伸、折叠,但随时能恢复原状),把它捏成跟真实数据(如图像、语音)分布一样复杂的形状。这种 "既能变形,又能变回去" 的特性,就是流模型的关键 ------ 通过可逆函数,让简单分布 "流动" 成复杂数据分布。

**生成过程类比:**假设真实数据是 "猫咪图片" 的分布,流模型先从简单的正态分布中采样一个向量z(像随机选一块标准形状的橡皮泥),然后通过生成器G的一系列可逆变换(比如调整颜色、轮廓等操作),把z变成一张猫咪图片x。因为变换可逆,未来也能通过反向操作,从猫咪图片还原出最初的z。

4.2 训练过程

这里直接放豆包对图中损失函数的解读

4.2 代码实现(Flow)

python 复制代码
class FlowModel(nn.Module):
    """基于RealNVP的可逆流模型"""
    def __init__(self, input_dim=784, hidden_dim=512):
        super(FlowModel, self).__init__()
        # 定义可逆变换的参数网络
        self.scale_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )
        self.shift_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )

    def forward(self, x):
        # 分割输入为两部分(x1和x2)
        x1, x2 = x.chunk(2, dim=1)
        # 计算缩放和偏移参数
        s = self.scale_net(x1)
        t = self.shift_net(x1)
        # 变换x2
        z2 = x2 * torch.exp(s) + t
        # 合并结果并计算对数行列式
        z = torch.cat([x1, z2], dim=1)
        log_det = s.sum(dim=1)  # 行列式的对数
        return z, log_det
    
    def inverse(self, z):
        # 逆变换:从潜在变量恢复输入
        z1, z2 = z.chunk(2, dim=1)
        s = self.scale_net(z1)
        t = self.shift_net(z1)
        x2 = (z2 - t) * torch.exp(-s)
        x = torch.cat([z1, x2], dim=1)
        return x

# 损失函数:负对数似然
def flow_loss(z, log_det):
    prior_logprob = -0.5 * (z ​** 2).sum(dim=1)  # 标准高斯先验
    return (-prior_logprob - log_det).mean()

5 扩散模型(Diffusion)​

5.1 概念

Diffusion Model(扩散模型)是一类深度生成模型,它的灵感来源于物理学中的扩散过程。与传统的生成模型(如VAE、GAN)不同,Diffusion Model通过模拟数据从随机噪声逐渐扩散到目标数据的过程来生成数据。这种模型在图像生成、文本生成和音频生成等领域都有出色的表现。

a. 核心思想:模拟 "破坏 - 修复" 的物理过程

  • 扩散模型的灵感来自物理扩散现象,比如墨水滴入水中逐渐扩散
  • 它把这个过程用在数据生成里,分两个阶段:
    • 正向扩散(破坏):给干净数据(如图像)逐步加噪声,让数据从清晰变模糊,最后接近纯噪声(类似照片被雨水慢慢冲毁)
    • 反向扩散(修复):从纯噪声出发,一步步去除噪声,恢复成清晰数据(类似修复老照片)通过学习这个过程,模型就能掌握数据的生成规律

b. 与其他模型的区别

  • 传统生成模型(如 VAE、GAN)直接学习生成数据,而扩散模型像 "数据侦探",通过拆解 "数据如何被噪声破坏" 的过程,反向学会 "如何从噪声还原数据",生成的内容往往更细腻真实

5.2 训练过程

声。

图中损失函数的核心是衡量 "预测噪声" 与 "真实噪声" 的差距,常用均方误差(MSE):

  • 逻辑:在正向扩散中,模型知道每个时间步加了多少真实噪声。训练时,U-net 根据带噪样本预测噪声,损失函数要求预测值尽可能接近真实噪声。就像教孩子 "找不同",每次对比预测结果和真实答案,错得越多,损失越大,模型就会调整参数减少错误。
  • 作用:通过最小化损失,U-net 学会分析带噪数据的特征,最终在反向扩散时,能用预测的噪声逐步还原出清晰数据。
    详细介绍:

超详细的扩散模型(Diffusion Models)原理+代码 - 知乎

5.2 代码实现(Diffusion)

python 复制代码
class DiffusionModel(nn.Module):
    """基于UNet的扩散模型"""
    def __init__(self, image_size=28, channels=1):
        super(DiffusionModel, self).__init__()
        # 定义噪声预测网络(简化版UNet)
        self.net = nn.Sequential(
            nn.Conv2d(channels, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, channels, 3, padding=1)
        )
        # 噪声调度参数
        self.num_steps = 1000
        self.betas = torch.linspace(1e-4, 0.02, self.num_steps)
        self.alphas = 1 - self.betas
        self.alpha_bars = torch.cumprod(self.alphas, dim=0)

    def forward(self, x, t):
        """预测噪声ε"""
        return self.net(x)
    
    def train_step(self, x0):
        # 随机选择时间步t
        t = torch.randint(0, self.num_steps, (x0.size(0),))
        # 计算加噪后的xt
        sqrt_alpha_bar = torch.sqrt(self.alpha_bars[t]).view(-1, 1, 1, 1)
        sqrt_one_minus_alpha_bar = torch.sqrt(1 - self.alpha_bars[t]).view(-1, 1, 1, 1)
        epsilon = torch.randn_like(x0)
        xt = sqrt_alpha_bar * x0 + sqrt_one_minus_alpha_bar * epsilon
        # 预测噪声并计算损失
        epsilon_pred = self(xt, t)
        loss = F.mse_loss(epsilon_pred, epsilon)
        return loss

    def sample(self, num_samples=16):
        """从噪声逐步生成图像"""
        xt = torch.randn(num_samples, 1, 28, 28)
        for t in reversed(range(self.num_steps)):
            # 逐步去噪
            epsilon_pred = self(xt, t)
            xt = (xt - self.betas[t] * epsilon_pred) / torch.sqrt(self.alphas[t])
            if t > 0:
                xt += torch.sqrt(self.betas[t]) * torch.randn_like(xt)
        return xt

6 小结

最后,简单回顾一下已经简单介绍过的5种常见的深度学习模型:

VAE (变分自编码器)、GAN (生成对抗网络)、AR (自回归模型 如 Transformer)、Flow (流模型)和 Diffusion(扩散模型)

我们可以看到不同模型的优缺点和适用场景:

  • VAEGAN是两种常用的深度生成模型,分别基于贝叶斯概率理论和对抗训练来生成样本
  • AR模型则适用于处理具有时序依赖关系的数据,如序列数据
  • Flow 模型和Diffusion模型在生成样本上具有较好的稳定性和多样性,但需要较高的计算成本

最后提供一些潜在的问题和方法:

研究方向 核心问题 技术路径 典型应用场景
混合架构融合 单一模型难以兼顾生成质量与推理速度 • Diffusion-GAN混合(扩散模型生成质量+GAN推理速度) • VAE-Transformer(压缩编码+序列建模) • 流模型与自回归模型联立训练 • 高保真图像实时生成 • 长视频时序一致性优化
轻量化 大模型部署资源消耗过高 • 知识蒸馏(教师-学生模型迁移) • 隐式神经表示(INR参数化生成) • 稀疏注意力机制与量化压缩 • 移动端AI绘图APP • 边缘计算设备实时生成
物理约束嵌入 生成内容违反现实物理规律 • 刚体动力学方程约束(牛顿力学+生成器) • 流体力学PDE求解器集成 • 符号逻辑引导的潜在空间优化 • 科学模拟(气象/材料) • 机器人训练环境生成

部分参考:

数据派THU:必知!5大深度生成模型!

本文是转载文章,点击查看原文
如有侵权,请联系 xyy@jishuzhan.net 删除
相关推荐
星际码仔1 小时前
AutoGLM沉思,仍然没有摆脱DeepResearch产品的通病
人工智能·ai编程·chatglm (智谱)
喝拿铁写前端2 小时前
前端与 AI 结合的 10 个可能路径图谱
前端·人工智能
城电科技2 小时前
城电科技|零碳园区光伏太阳花绽放零碳绿色未来
人工智能·科技·能源
HyperAI超神经3 小时前
Stable Virtual Camera 重新定义3D内容生成,解锁图像新维度;BatteryLife助力更精准预测电池寿命
图像处理·人工智能·3d·数学推理·视频生成·对话语音生成·蛋白质突变
Chaos_Wang_3 小时前
NLP高频面试题(二十三)对抗训练的发展脉络,原理,演化路径
人工智能·自然语言处理
Yeats_Liao3 小时前
华为开源自研AI框架昇思MindSpore应用案例:基于MindSpore框架实现PWCNet光流估计
人工智能·华为
说私域3 小时前
人工智能赋能美妆零售数字化转型:基于开源AI大模型的S2B2C商城系统构建
人工智能·小程序·开源·零售
zew10409945884 小时前
基于深度学习的手势识别系统设计
人工智能·深度学习·算法·数据集·pyqt·yolov5·训练模型
weixin_478689764 小时前
pytorch与其他ai工具
人工智能·pytorch·python
豆芽8194 小时前
核函数(机器学习深度学习)
人工智能·深度学习