المنهج الدراسي الدرس 185 من 246 · الوحدة 17: ضجيج في الداخل، صور في الخارج (diffusion)
الوحدة 17: ضجيج في الداخل، صور في الخارج (diffusion)

من الضجيج إلى الحلزون (DDPM)

لماذا هذا مهم هذه هي اللحظة التي تتحول فيها الضوضاء إلى بيانات. ابدأ من ضوضاء نقية وخذ 100 خطوة صغيرة للخلف، بحيث تستخدم الشبكة مرة واحدة في كل خطوة. الحلقة التي تكتبها هنا هي، من حيث الشكل، تلك التي ترسم الصور في مولدات الصور اليوم.

خطوة واحدة للخلف من x_t إلى x_(t-1)، بطريقة DDPM:

  1. تنبأ بالضجيج، ومنه استخرج التقدير النظيف x0 (الدرس السابق).
  2. Clip x0 إلى النطاق الذي يمكن أن تأخذه البيانات الحقيقية (هنا من -3 إلى 3).
  3. انتقل إلى المتوسط الدقيق لمكان x_(t-1) بناء على x_t و x0:
    mean = (sqrt(abar_(t-1)) beta_t / (1 - abar_t)) x0 + (sqrt(1 - beta_t) (1 - abar_(t-1)) / (1 - abar_t)) x_t
  4. أضف ضجيجا جديدا بانتشار sqrt(beta_t (1 - abar_(t-1)) / (1 - abar_t))، باستثناء الخطوة الأخيرة. (تُحسب abar_(-1) كـ 1.)

لماذا عملية القص؟ اكتشف المسار ذلك بالطريقة الصعبة. في الخطوات القليلة الأخيرة لجدول cosine تصل beta إلى 0.999، لذا فإن الخطوة العادية تضاعف أي خطأ في الضجيج المتوقع بنحو 30 مرة. بدون القص، رسم نموذج الأرقام في المسار صورا أقرب إلى البكسلات المشوشة منها إلى الأرقام (القرب 4.68). معها، 1.09.

الكلمات والرموز في هذا الدرس
جدول الضوضاء (beta)
كم من الضجيج الجديد يتم خلطه في كل خطوة
abar
حصة الإشارة الأصلية المتبقية بعد عدد من الخطوات (جذرها التربيعي يضرب x0)
x0، x_t
البيانات النظيفة، والبيانات نفسها بعد t خطوات من الضجيج
eps
ضجيج المنحنى الجرس الذي تمت إضافته؛ تتعلم الشبكة التنبؤ به
DDPM
أخذ العينات عن طريق العودة خطوة بخطوة، مع ضوضاء جديدة في كل مرة
شكل
، تغطية
الحكم ثنائي الأبعاد: حصة العينات القريبة من الشكل الحقيقي، وحصة الشكل مع عينة قريبة منه
دورك

اكتب step_back(x, eps_pred, t, beta, abar, rng) بالضبط كما في الخطوات الأربعة أعلاه (قص x0 من -3 إلى 3، ثم المتوسط، ثم الضجيج باستثناء عند t = 0) وحلقة أخذ العينات generate(model, n, rng) التي تبدأ من ضجيج N(0, 1) عند الخطوة 99 وتعود إلى 0. مرر العينات بنسبة 0.8 على الأقل على الحلزون و0.95 تغطية.

هل لاحظت مشكلة في هذا الدرس؟ أبلغ عنها · اسأل عن هذا الدرس

سيفتح هذا التمرين قريبا

أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.