minDiffusion

Mindiffusion

O objetivo deste repositório educacional é fornecer uma implementação minimalista e independente de modelos de difusão usando Pytorch.

Muitas implementações de modelos de difusão podem ser um pouco esmagadoras. Aqui, superminddpm : Sob 200 linhas de código, a implementação totalmente independente do DDPM com Pytorch é um bom ponto de partida para quem quiser começar com modelos de difusão de denoising, sem precisar gastar tempo com detalhes.

Simplesmente:

 $ python superminddpm.py

Acima do script está independente. (Obviamente, você precisa ter Pytorch e Torchvision instalados. A versão mais recente deve ser suficiente. Não usamos nenhum recurso de ponta.)

Se você deseja usar o código mais refaturado, isso executa o conjunto de dados CIFAR10:

 $ python train_cifar10.py

O resultado acima levou cerca de 2 horas de treinamento em uma única GPU 3090. As 8 principais imagens são geradas, o número 8 do fundo são a verdade do solo.

Aqui está outro exemplo, treinado em 100 épocas (cerca de 1,5 horas)

Atualmente tem:

• Pequena implementação de DDPM
• Mnist, conjunto de dados CIFAR.
• Estrutura simples e inocente. + Incorporação de tempo simples.
• Conjunto de dados Celeba.

Todos

• Ddim
• Orientação do classificador
• Multimodalidade

Atualizações!

• O uso de mais rendimentos de parâmetro é melhor para o MNIST.
• Mais comentários no superminddpm.py