Temario Lección 183 de 246 · Módulo 17: Entra ruido, salen imágenes (difusión)
Módulo 17: Entra ruido, salen imágenes (difusión)

Flechas de vuelta a los datos (Míralo)

Por qué importa Quitar ruido suena a magia hasta que ves lo que la red aprende de verdad: para cualquier punto con ruido, una flecha que apunta a donde probablemente estaban los datos limpios. Generar es seguir esas flechas hasta casa.

La red se entrena para predecir el ruido eps que se añadió. Dale la vuelta al atajo y su suposición se convierte en una suposición del punto limpio:

x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)

Dibuja una flecha de cada punto con ruido a su estimación de x0 y obtienes un campo de flechas. Mira la escena: la misma cuadrícula de puntos, en un paso con mucho ruido y en un paso casi limpio.

Predice primero: ¿en qué paso coinciden más las flechas entre sí, apuntando todas más o menos al mismo sitio: el paso 60 (mucho ruido) o el paso 10 (casi limpio)?

Palabras y símbolos de esta lección
abar
la parte de la señal original que queda después de un número de pasos (su raíz cuadrada multiplica a x0)
x0, x_t
los datos limpios, y los mismos datos después de t pasos de ruido
eps
el ruido en forma de campana que se añadió; la red aprende a predecirlo
Tu turno

Pon en my_guess 60 o 10. Entrena un modelo (difflab.train('spiral'), unos segundos), y luego, para la cuadrícula de 11 x 11, calcula las estimaciones de x0 en el paso 60 y en el paso 10. Rellena spread (la dispersión de las estimaciones, est.std(axis=0).mean()) y near (su distancia media a la espiral, difflab.nearest_distance(est).mean()) para los dos pasos. Luego pon en agree_more el paso (60 o 10) en el que tus números muestran que las estimaciones coinciden más. Tu suposición se queda como la hiciste.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.