diffusion模型学习day1：预备知识

前期知识：

无向模型（概率图模型）	1.有向图/无向图G 有无明确的方向关系，作用力是否双向 2.无向模型 随机变量是结点，同一条边的两个结点相互作用。但边是无方向的，所以不与一个条件分布相关联。 团（Clique，C），无向图G中任何两个结点均有边连接的节点子集，最大团是指不能加入G中其他节点形成更大的团。 势函数（potential function），势函数可以为关于参数的任意非负函数。  𝜙(𝑐) 联合概率分布，正比所以团上势函数的乘积。 非归一化概率函数：团势能累乘	无向图模型
配分函数	1.配分函数Z 作用：使得上述非归一化概率函数之和/积分为1，得到一个有效的概率分布。为此需要以下分布。 吉布斯分布: 其中，Z满足 当p固定，Z为常数；当p（x），则Z（x）即配分函数。 2.模型设计 模型的结构和势函数定义需要有助于计算Z。
总结/补充知识	概率分布=数据+分布，其中数据分为连续/离散，离散概率分布有一个数值的概率，连续则无。 有效的概率分布，指概率分布值大于0小于1，其和为1. 连续概率分布：正态分布； 离散概率分布分为，二项分布（两种条件）、泊松分布（在某个条件下发生事件的概率）、几何分布（跟二项分布差不多）； 总结：无向模型通过非归一化概率函数表示随机变量的密切关系，为了使其归一化，引入了配分函数。	概率分布