Conteúdo do curso Lição 183 de 246 · Módulo 17: Ruído entra, imagens saem (difusão)
Módulo 17: Ruído entra, imagens saem (difusão)

Setas de volta para os dados (Veja isso)

Por que isso importa Remover ruído parece mágica até você ver o que a rede realmente aprende: para qualquer ponto ruidoso, uma seta apontando para onde os dados limpos provavelmente estavam. A geração é seguir essas setas até em casa.

A rede é treinada para prever o ruído eps que foi adicionado. Inverta o atalho e o palpite dela se torna um palpite do ponto limpo:

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

Desenhe uma seta de cada ponto ruidoso para sua estimativa x0 e você terá um campo de setas. Observe a cena: a mesma grade de pontos, em um passo muito ruidoso e em um passo quase limpo.

Preveja primeiro: em qual passo as setas concordam mais entre si, todas apontando para quase o mesmo lugar: passo 60 (muito ruidoso) ou passo 10 (quase limpo)?

Palavras e símbolos nesta lição
abar
a parte do sinal original que sobra após uma série de passos (sua raiz quadrada multiplica x0)
x0, x_t
os dados limpos, e os mesmos dados após t passos de ruído
eps
o ruído de curva de sino que foi adicionado; a rede aprende a prevê-lo
Sua vez

Defina my_guess como 60 ou 10. Treine um modelo (difflab.train('spiral'), alguns segundos), depois para a grade 11 x 11 calcule as estimativas x0 no passo 60 e no passo 10. Preencha spread (a dispersão das estimativas, est.std(axis=0).mean()) e near (sua distância média para a espiral, difflab.nearest_distance(est).mean()) para ambos os passos. Depois defina agree_more para o passo (60 ou 10) onde seus números mostram que as estimativas concordam mais. Seu palpite permanece como você fez.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.