昇思25天打卡训练营第21天|Diffusion扩散模型

1.概述

参考：

Hugging Face：The Annotated Diffusion Model

由浅入深了解Diffusion Model

本教程在Jupyter Notebook上成功运行。如您下载本文档为Python文件，执行Python文件时，请确

保执行环境安装了GUI界面。

关于扩散模型（Diffusion Models）有很多种理解，本文的介绍是基于denoising diffusion

probabilistic model （DDPM），DDPM已经在（无）条件图像/音频/视频生成领域取得了较多显著

的成果，现有的比较受欢迎的的例子包括由OpenAI主导的GLIDE和DALL-E 2、由海德堡大学主导

的潜在扩散和由Google Brain主导的图像生成。

实际上生成模型的扩散概念已经在（Sohl-Dickstein et al., 2015）中介绍过。然而，直到（Song et

al., 2019）（斯坦福大学）和（Ho et al., 2020）（在Google Brain）才各自独立地改进了这种方

法。

本文是在Phil Wang基于PyTorch框架的复现的基础上（而它本身又是基于TensorFlow实现），迁

移到MindSpore AI框架上实现的。

本实验采用离散时间（潜在变量模型）的观点,也可以使用其他几个观点。

实验开始之前请确保安装并导入所需的库（假设您已经安装了MindSpore、download、dataset、

matplotlib以及tqdm）。

2.模型简介

(1)什么是Diffusion Model？

如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么

复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网

络学习逐步去噪，最终得到一个实际图像。 Diffusion对于图像的处理包括以下两个过程：

- 选择的固定（或预定义）正向扩散过程  𝑞：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪

声一个学习的反向去噪的扩散过程  𝑝𝜃：通过训练神经网络从纯噪声开始逐渐对图像去噪，直到最

终得到一个实际的图像

由  𝑡 索引的正向和反向过程都发生在某些有限时间步长  𝑇(DDPM作者使用  𝑇=1000 ）内。从 𝑡=0

开始，在数据分布中采样真实图像  𝐱0（本文使用一张来自ImageNet的猫图像形象的展示了iffusion

正向添加噪声的过程），正向过程在每个时间步长  𝑡 都从高斯分布中采样一些噪声，再添加到上

一个时刻的图像中。假定给定一个足够大的  𝑇和一个在每个时间步长添加噪声的良好时间表，您

最终会在  𝑡=𝑇通过渐进的过程得到所谓的各向同性的高斯分布。

(2)扩散模型实现原理

- Diffusion 前向过程

所谓前向过程，即向图片上加噪声的过程。虽然这个步骤无法做到图片生成，但这是理解diffusion

model以及构建训练样本至关重要的一步。 首先我们需要一个可控的损失函数，并运用神经网络对

其进行优化。

设  𝑞(𝑥0)是真实数据分布，由于  𝑥0∼𝑞(𝑥0)，所以我们可以从这个分布中采样以获得图像  𝑥0。接

下来我们定义前向扩散过程  𝑞(𝑥𝑡|𝑥𝑡−1)，在前向过程中我们会根据已知的方差  0<𝛽1<𝛽2<...

<𝛽𝑇<1 在每个时间步长 t 添加高斯噪声，由于前向过程的每个时刻 t 只与时刻 t-1 有关，所以也可

以看做马尔科夫过程：

回想一下，正态分布（也称为高斯分布）由两个参数定义：平均值  𝜇和方差  𝜎2≥0。基本上，在每

个时间步长  𝑡 处的产生的每个新的（轻微噪声）图像都是从条件高斯分布中绘制的，其中

采样 N(0,1)然后设置

请注意，  𝛽𝑡在每个时间步长  𝑡（因此是下标）不是恒定的：事实上，我们定义了一个所谓的“动态

方差”的方法，使得每个时间步长的  𝛽𝑡可以是线性的、二次的、余弦的等（有点像动态学习率方

法）。

因此，如果我们适当设置时间表，从  𝐱0开始，我们最终得到  𝐱1,...,𝐱𝑡,...,𝐱𝑇，即随着  𝑡的增大  𝐱𝑡

会越来越接近纯噪声，而  𝐱𝑇就是纯高斯噪声。

那么，如果我们知道条件概率分布  𝑝(𝐱𝑡−1|𝐱𝑡)，我们就可以反向运行这个过程：通过采样一些随机

高斯噪声  𝐱𝑇，然后逐渐去噪它，最终得到真实分布  𝐱0中的样本。但是，我们不知道条件概率分

布  𝑝(𝐱𝑡−1|𝐱𝑡) 。这很棘手，因为需要知道所有可能图像的分布，才能计算这个条件概率。

- Diffusion 逆向过程

为了解决上述问题，我们将利用神经网络来近似（学习）这个条件概率分布  𝑝𝜃(𝐱𝑡−1|𝐱𝑡) , 其中

 𝜃 是神经网络的参数。如果说前向过程(forward)是加噪的过程，那么逆向过程(reverse)就是

diffusion的去噪推断过程，而通过神经网络学习并表示  𝑝𝜃(𝐱𝑡−1|𝐱𝑡)的过程就是Diffusion 逆向去噪

的核心。

现在，我们知道了需要一个神经网络来学习逆向过程的（条件）概率分布。我们假设这个反向过程

也是高斯的，任何高斯分布都由2个参数定义：

由  𝜇𝜃参数化的平均值

由  𝜇𝜃参数化的方差

综上，我们可以将逆向过程公式化为

其中平均值和方差也取决于噪声水平  𝑡，神经网络需要通过学习来表示这些均值和方差。

注意，DDPM的作者决定保持方差固定，让神经网络只学习（表示）这个条件概率分布的平均值

 𝜇𝜃。

本文我们同样假设神经网络只需要学习（表示）这个条件概率分布的平均值  𝜇𝜃。

为了导出一个目标函数来学习反向过程的平均值，作者观察到  𝑞 和  𝑝𝜃的组合可以被视为变分自动

编码器(VAE)。因此，变分下界（也称为ELBO）可用于最小化真值数据样本  𝐱0的似然负对数（有

关ELBO的详细信息，请参阅VAE论文（Kingma等人，2013年）），该过程的ELBO是每个时间步

长的损失之和  𝐿=𝐿0+𝐿1+...+𝐿𝑇，其中，每项的损失  𝐿𝑡（除了  𝐿0）实际上是2个高斯分布之间的

KL发散，可以明确地写为相对于均值的L2-loss!

如Sohl-Dickstein等人所示，构建Diffusion正向过程的直接结果是我们可以在条件是  𝐱0（因为高斯

和也是高斯）的情况下，在任意噪声水平上采样  𝐱𝑡，而不需要重复应用  𝑞去采样  𝐱𝑡 ，这非常方

便。使用

这意味着我们可以采样高斯噪声并适当地缩放它，然后将其添加到  𝐱0中，直接获得  𝐱𝑡。

请注意， 𝛼¯𝑡是已知  𝛽𝑡方差计划的函数，因此也是已知的，可以预先计算。这允许我们在训练期

间优化损失函数  𝐿的随机项。或者换句话说，在训练期间随机采样  𝑡并优化  𝐿𝑡 。

正如Ho等人所展示的那样，这种性质的另一个优点是可以重新参数化平均值，使神经网络学习

（预测）构成损失的KL项中噪声的附加噪声。这意味着我们的神经网络变成了噪声预测器，而不

是（直接）均值预测器。其中，平均值可以按如下方式计算：

最终的目标函数  𝐿𝑡如下 （随机步长 t 由  (𝜖∼𝑁(0,𝐈))给定）

在这里，  𝐱0是初始（真实，未损坏）图像，  𝜖是在时间步长  𝑡采样的纯噪声， 𝜖𝜃(𝐱𝑡,𝑡)是我们的神

经网络。神经网络是基于真实噪声和预测高斯噪声之间的简单均方误差（MSE）进行优化的。

训练算法现在如下所示：

换句话说：

从真实未知和可能复杂的数据分布中随机抽取一个样本  𝑞(𝐱0)

均匀地采样 1 和 𝑇之间的噪声水平 𝑡（即，随机时间步长）

从高斯分布中采样一些噪声，并使用上面定义的属性在  𝑡时间步上破坏输入

神经网络被训练以基于损坏的图像  𝐱𝑡来预测这种噪声，即基于已知的时间表  𝐱𝑡上施加的噪声

实际上，所有这些都是在批数据上使用随机梯度下降来优化神经网络完成的。

（3）U-Net神经网络预测噪声

神经网络需要在特定时间步长接收带噪声的图像，并返回预测的噪声。请注意，预测噪声是与输入

图像具有相同大小/分辨率的张量。因此，从技术上讲，网络接受并输出相同形状的张量。那么我

们可以用什么类型的神经网络来实现呢？

这里通常使用的是非常相似的自动编码器，您可能还记得典型的"深度学习入门"教程。自动编码器

在编码器和解码器之间有一个所谓的"bottleneck"层。编码器首先将图像编码为一个称

为"bottleneck"的较小的隐藏表示，然后解码器将该隐藏表示解码回实际图像。这迫使网络只保留

bottleneck层中最重要的信息。

在模型结构方面，DDPM的作者选择了U-Net，出自（Ronneberger et al.，2015）（当时，它在医

学图像分割方面取得了最先进的结果）。这个网络就像任何自动编码器一样，在中间由一个

bottleneck组成，确保网络只学习最重要的信息。重要的是，它在编码器和解码器之间引入了残差

连接，极大地改善了梯度流（灵感来自于（He et al., 2015））。

可以看出，U-Net模型首先对输入进行下采样（即，在空间分辨率方面使输入更小），之后执行上

采样。

3.构建Diffusion模型

下面，我们逐步构建Diffusion模型。

首先，我们定义了一些帮助函数和类，这些函数和类将在实现神经网络时使用。

(1)位置向量
由于神经网络的参数在时间（噪声水平）上共享，作者使用正弦位置嵌入来编码 𝑡，灵感来自

Transformer（Vaswani et al., 2017）。对于批处理中的每一张图像，神经网络"知道"它在哪个特定

时间步长（噪声水平）上运行。

SinusoidalPositionEmbeddings模块采用(batch_size, 1)形状的张量作为输入（即批处理中几个有

噪声图像的噪声水平），并将其转换为(batch_size, dim)形状的张量，其中dim是位置嵌入的尺

寸。然后，我们将其添加到每个剩余块中。

(2)ResNet/ConvNeXT块

接下来，我们定义U-Net模型的核心构建块。DDPM作者使用了一个Wide ResNet块（Zagoruyko

et al., 2016），但Phil Wang决定添加ConvNeXT（Liu et al., 2022）替换ResNet，因为后者在图

像领域取得了巨大成功。

在最终的U-Net架构中，可以选择其中一个或另一个，本文选择ConvNeXT块构建U-Net模型。

（3)Attention模块

接下来，我们定义Attention模块，DDPM作者将其添加到卷积块之间。Attention是著名的

Transformer架构(Vaswani et al., 2017)，在人工智能的各个领域都取得了巨大的成功，从NLP到蛋

白质折叠。Phil Wang使用了两种注意力变体：一种是常规的multi-head self-attention（如

Transformer中使用的），另一种是LinearAttention(Shen et al., 2018)，其时间和内存要求在序列

长度上线性缩放，而不是在常规注意力中缩放。 要想对Attention机制进行深入的了解，请参照Jay

Allamar的精彩的博文。

(4)组归一化

DDPM作者将U-Net的卷积/注意层与群归一化（Wu et al., 2018）。下面，我们定义一个PreNorm

类，将用于在注意层之前应用groupnorm。

(5)条件U-Net

我们已经定义了所有的构建块（位置嵌入、ResNet/ConvNeXT块、Attention和组归一化），现在

需要定义整个神经网络了。请记住，网络  𝜖𝜃(𝐱𝑡,𝑡)的工作是接收一批噪声图像+噪声水平，并输出

添加到输入中的噪声。

更具体的： 网络获取了一批(batch_size, num_channels, height, width)形状的噪声图像和一批

(batch_size, 1)形状的噪音水平作为输入，并返回(batch_size, num_channels, height, width)形状

的张量。

网络构建过程如下：

首先，将卷积层应用于噪声图像批上，并计算噪声水平的位置

接下来，应用一系列下采样级。每个下采样阶段由2个ResNet/ConvNeXT块 + groupnorm +

attention + 残差连接 + 一个下采样操作组成

在网络的中间，再次应用ResNet或ConvNeXT块，并与attention交织

接下来，应用一系列上采样级。每个上采样级由2个ResNet/ConvNeXT块+ groupnorm + attention

+ 残差连接 + 一个上采样操作组成

最后，应用ResNet/ConvNeXT块，然后应用卷积层

最终，神经网络将层堆叠起来，就像它们是乐高积木一样（但重要的是了解它们是如何工作的）。

(6)正向扩散

我们已经知道正向扩散过程在多个时间步长 𝑇 中，从实际分布逐渐向图像添加噪声，根据差异计

划进行正向扩散。最初的DDPM作者采用了线性时间表：

我们将正向过程方差设置为常数，从 𝛽1=10−4线性增加到 𝛽𝑇=0.02。

但是，它在（Nichol et al., 2021）中表明，当使用余弦调度时，可以获得更好的结果。

下面，我们定义了 𝑇时间步的时间表。

首先，让我们使用  𝑇=200时间步长的线性计划，并定义我们需要的  β𝑡中的各种变量，例如方差

 𝛼¯𝑡的累积乘积。下面的每个变量都只是一维张量，存储从  𝑡到  𝑇的值。重要的是，我们还定义了

extract函数，它将允许我们提取一批适当的  𝑡 索引。

我们将用猫图像说明如何在扩散过程的每个时间步骤中添加噪音。

噪声被添加到mindspore张量中，而不是Pillow图像。我们将首先定义图像转换，允许我们从PIL图

像转换到mindspore张量（我们可以在其上添加噪声），反之亦然。

这些转换相当简单：我们首先通过除以 255来标准化图像（使它们在  [0,1] 范围内），然后确保它

们在  [−1,1]范围内。DPPM论文中有介绍到：

假设图像数据由  {0,1,...,255}中的整数组成，线性缩放为  [−1,1]， 这确保了神经网络反向过程在从

标准正常先验  𝑝(𝐱𝑇)开始的一致缩放输入上运行。

我们还定义了反向变换，它接收一个包含  [−1,1]中的张量，并将它们转回 PIL 图像：

我们现在可以定义前向扩散过程，如本文所示：

让我们在特定的时间步长上测试它：

让我们为不同的时间步骤可视化此情况：

这意味着我们现在可以定义给定模型的损失函数，如下所示：

denoise_mode将是我们上面定义的U-Net。我们将在真实噪声和预测噪声之间使用Huber损失。

4.数据准备与处理

在这里我们定义一个正则数据集。数据集可以来自简单的真实数据集的图像组成，如Fashion-

MNIST、CIFAR-10或ImageNet，其中线性缩放为  [−1,1]。

每个图像的大小都会调整为相同的大小。有趣的是，图像也是随机水平翻转的。根据论文内容：我

们在CIFAR10的训练中使用了随机水平翻转；我们尝试了有翻转和没有翻转的训练，并发现翻转可

以稍微提高样本质量。

本实验我们选用Fashion_MNIST数据集，我们使用download下载并解压Fashion_MNIST数据集到

指定路径。此数据集由已经具有相同分辨率的图像组成，即28x28。

接下来，我们定义一个transform操作，将在整个数据集上动态应用该操作。该操作应用一些基本

的图像预处理：随机水平翻转、重新调整，最后使它们的值在  [−1,1]范围内。

5.采样

由于我们将在训练期间从模型中采样（以便跟踪进度），我们定义了下面的代码。采样在本文中总

结为算法2：

从扩散模型生成新图像是通过反转扩散过程来实现的：我们从 𝑇开始，我们从高斯分布中采样纯噪

声，然后使用我们的神经网络逐渐去噪（使用它所学习的条件概率），直到我们最终在时间步 𝑡=0

结束。如上图所示，我们可以通过使用我们的噪声预测器插入平均值的重新参数化，导出一个降噪

程度较低的图像  𝐱𝑡−1。请注意，方差是提前知道的。

理想情况下，我们最终会得到一个看起来像是来自真实数据分布的图像。

下面的代码实现了这一点。

请注意，上面的代码是原始实现的简化版本。

6.训练过程

下面，我们开始训练吧！

7.推理过程（从模型中采样）

要从模型中采样，我们可以只使用上面定义的采样函数：

可以看到这个模型能产生一件衣服！

请注意，我们训练的数据集分辨率相当低（28x28）。

创建去噪过程的gif：

8.总结

请注意，DDPM论文表明扩散模型是（非）条件图像有希望生成的方向。自那以后，diffusion得到

了（极大的）改进，最明显的是文本条件图像生成。下面，我们列出了一些重要的（但远非详尽无

遗的）后续工作：

改进的去噪扩散概率模型(Nichol et al., 2021)：发现学习条件分布的方差（除平均值外）有助于提

高性能用于高保真图像生成的级联扩散模型([Ho et al., 2021)：引入级联扩散，它包括多个扩散模

型的流水线，这些模型生成分辨率提高的图像，用于高保真图像合成

扩散模型在图像合成上击败了GANs(Dhariwal et al., 2021)：表明扩散模型通过改进U-Net体系结构

以及引入分类器指导，可以获得优于当前最先进的生成模型的图像样本质量

无分类器扩散指南([Ho et al., 2021)：表明通过使用单个神经网络联合训练条件和无条件扩散模

型，不需要分类器来指导扩散模型

具有CLIP Latents (DALL-E 2) 的分层文本条件图像生成 (Ramesh et al., 2022)：在将文本标题转

换为CLIP图像嵌入之前使用，然后扩散模型将其解码为图像

具有深度语言理解的真实文本到图像扩散模型（ImageGen）(Saharia et al., 2022)：表明将大型预

训练语言模型（例如T5）与级联扩散结合起来，对于文本到图像的合成很有效

请注意，此列表仅包括在撰写本文，即2022年6月7日之前的重要作品。

目前，扩散模型的主要（也许唯一）缺点是它们需要多次正向传递来生成图像（对于像GAN这样

的生成模型来说，情况并非如此）。然而，有正在进行中的研究表明只需要10个去噪步骤就能实现

高保真生成。

参考

The Annotated Diffusion Model

由浅入深了解Diffusion Model