سرفصل‌ها درس 185 از 246 · ماژول 17: نویز وارد، تصویر خارج (انتشار)
ماژول 17: نویز وارد، تصویر خارج (انتشار)

از نویز تا یک مارپیچ (DDPM)

چرا مهم است این لحظه‌ای است که نویز به داده تبدیل می‌شود. از نویز محض شروع کنید و 100 گام کوچک به عقب بردارید، هر کدام با یک بار استفاده از شبکه. حلقه‌ای که اینجا می‌نویسید، از نظر شکل، همانی است که در مولدهای تصویر امروز تصویر می‌کشد.

یک گام به عقب از x_t به x_(t-1)، به روش DDPM:

  1. نویز را پیش‌بینی کنید، و از آن برآورد تمیز x0 را (درس قبل).
  2. x0 را به بازه‌ای که دادهٔ واقعی می‌تواند داشته باشد (اینجا -3 تا 3) ببرید.
  3. به میانگین دقیق جایی که x_(t-1) با داشتن x_t و x0 می‌بود بروید:
    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. نویز تازه‌ای با پراکندگی sqrt(beta_t (1 - abar_(t-1)) / (1 - abar_t)) اضافه کنید، جز در آخرین گام. (abar_(-1) برابر 1 حساب می‌شود.)

چرا بریدن؟ دوره آن را به سختی فهمید. در چند گام آخر زمان‌بندی کسینوسی beta به 0.999 می‌رسد، پس یک گام ساده هر خطای نویز پیش‌بینی‌شده را حدود 30 برابر می‌کند. بدون بریدن، مدل رقم دوره تصاویری کشید که به پیکسل‌های درهم‌ریخته نزدیک‌تر بودند تا رقم‌ها (نزدیکی 4.68). با آن، 1.09.

واژه‌ها و نمادهای این درس
زمان‌بندی نویز (beta)
اینکه در هر گام چه مقدار نویز تازه آمیخته می‌شود
abar
سهم سیگنال اصلی که پس از تعدادی گام می‌ماند (ریشهٔ دومش در x0 ضرب می‌شود)
x0، x_t
دادهٔ تمیز، و همان داده پس از t گام نویز
eps
نویز زنگوله‌ای که اضافه شد؛ شبکه پیش‌بینی آن را یاد می‌گیرد
DDPM
نمونه‌گیری با گام برداشتن رو به عقب از میان هر گام، با نویز تازه در هر بار
روی شکل، پوشش
داور دوبعدی: سهم نمونه‌هایی که نزدیک شکل واقعی‌اند، و سهمی از شکل که نمونه‌ای نزدیکش هست
نوبت شما

step_back(x, eps_pred, t, beta, abar, rng) را دقیقاً مثل چهار گام بالا (بریدن x0 به -3 تا 3، میانگین، سپس نویز جز در t = 0) و حلقهٔ نمونه‌گیری generate(model, n, rng) را بنویسید که از نویز N(0, 1) در گام 99 شروع می‌کند و تا 0 به عقب گام برمی‌دارد. با نمونه‌هایی دست‌کم 0.8 روی مارپیچ و پوشش 0.95 قبول می‌شوید.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.