minDiffusion
1.0.0
El objetivo de este repositorio educativo es proporcionar una implementación y una implementación minimalista autónoma de modelos de difusión utilizando Pytorch.
Muchas implementaciones de modelos de difusión pueden ser un poco abrumadoras. Aquí, superminddpm : menos de 200 líneas de código, la implementación totalmente autodenominada de DDPM con Pytorch es un buen punto de partida para cualquiera que quiera comenzar con los modelos de difusión de renovación, sin tener que pasar tiempo en los detalles.
Simplemente:
$ python superminddpm.py
El guión arriba es autónomo. (Por supuesto, debe tener instalados Pytorch y TorchVision. La última versión debería ser suficiente. No usamos ninguna característica de vanguardia).
Si desea utilizar el código Bit más refactorizado, eso ejecuta el conjunto de datos CIFAR10:
$ python train_cifar10.py
El resultado anterior tomó aproximadamente 2 horas de entrenamiento en una sola GPU de 3090. Se generan las 8 imágenes principales, las 8 inferiores son la verdad terrestre.
Aquí hay otro ejemplo, entrenado en 100 épocas (aproximadamente 1.5 horas)
Actualmente tiene:
Diádico
