国产精品久久久尹人香蕉,一区二区三区中文国产亚洲,国产精品美女久久久久久

那如何改進(jìn)呢？

其實(shí)思路比較簡單，就是按照預(yù)測的方向多迭代幾次就可以，比如我們從完全的隨機(jī)數(shù)開始按照上述思路進(jìn)行擴(kuò)散，下面是實(shí)現(xiàn)的代碼：

# 采樣策略：把采樣過程拆解為5步，每次只前進(jìn)一步

n_steps = 5

x = torch.rand(8, 1, 28, 28).to(device) # 從完全隨機(jī)的值開始

step_history = [x.detach().cpu()]

pred_output_history = []

　

for i in range(n_steps):

    with torch.no_grad():               # 在推理時(shí)不需要考慮張量的導(dǎo)數(shù)

        pred = net(x)                   # 預(yù)測“去噪”后的圖像

    pred_output_history.append(pred.detach().cpu()) 

                               # 將模型的輸出保存下來，以便后續(xù)繪圖時(shí)使用

    mix_factor = 1/(n_steps - i)            # 設(shè)置朝著預(yù)測方向移動多少

    x = x*(1-mix_factor) + pred*mix_factor  # 移動過程

    step_history.append(x.detach().cpu())   # 記錄每一次移動，以便后續(xù)

 # 繪圖時(shí)使用

　

fig, axs = plt.subplots(n_steps, 2, figsize=(9, 4), sharex=True)

axs[0,0].set_title('x (model input)')

axs[0,1].set_title('model prediction')

for i in range(n_steps):

    axs[i, 0].imshow(torchvision.utils.make_grid(step_history[i])

       [0].clip(0, 1), cmap='Greys')

    axs[i, 1].imshow(torchvision.utils.make_grid(pred_output_

       history[i])[0].clip(0, 1), cmap='Greys')

我們執(zhí)行5次迭代，觀察一下模型預(yù)測的變化，輸出結(jié)果如下圖所示：

從上圖可以看出，模型在第一步就已經(jīng)輸出了去噪的圖片，只是往最終的目標(biāo)前進(jìn)了一小步，效果不佳，但是迭代5次以后，發(fā)現(xiàn)效果越來越好。如果迭代更多次數(shù)，效果如何呢？

# 將采樣過程拆解成40步

n_steps = 40

x = torch.rand(64, 1, 28, 28).to(device)

for i in range(n_steps):

    noise_amount = torch.ones((x.shape[0],)).to(device) * (1-(i/n_

        steps))# 將噪聲量從高到低移動

    with torch.no_grad():

        pred = net(x)

    mix_factor = 1/(n_steps - i)

    x = x*(1-mix_factor) + pred*mix_factor

fig, ax = plt.subplots(1, 1, figsize=(12, 12))

ax.imshow(torchvision.utils.make_grid(x.detach().cpu(), nrow=8)

   [0].clip(0, 1), cmap='Greys')