minDiffusion
1.0.0
L'objectif de ce référentiel éducatif est de fournir une implémentation minimaliste autonome et minimaliste des modèles de diffusion à l'aide de Pytorch.
De nombreuses implémentations de modèles de diffusion peuvent être un peu écrasantes. Ici, superminddpm : Moins de 200 lignes de code, la mise en œuvre entièrement autonome de DDPM avec Pytorch est un bon point de départ pour tous ceux qui veulent commencer avec les modèles de diffusion en débraillé, sans avoir à passer du temps sur les détails.
Simplement:
$ python superminddpm.py
Le script ci-dessus est autonome. (Bien sûr, vous devez installer Pytorch et TorchVision. La dernière version devrait suffire. Nous n'utilisons aucune fonctionnalité de pointe.)
Si vous souhaitez utiliser le code Bit More Refactored, cela exécute un ensemble de données CIFAR10:
$ python train_cifar10.py
Ci-dessus, le résultat a pris environ 2 heures de formation sur le GPU 3090 unique. Les 8 meilleures images sont générées, le fond du fond est la vérité au sol.
Voici un autre exemple, formé sur 100 époques (environ 1,5 heure)
A actuellement:
Todos
