MNISTDiffusion

从零手写扩散模型，4.5MB 轻量生成 MNIST 数字

MNISTDiffusion 是一个从零开始实现的去噪扩散概率模型（DDPM）的极简版本，专门用于 MNIST 手写数字生成。项目代码精简，模型大小仅 4.55MB，旨在帮助开发者快速理解扩散模型的核心原理。它解决了初学者难以从复杂代码库入手学习扩散模型的问题，提供了清晰、可读性高的 PyTorch 实现，包含训练和采样流程。核心能力包括：基于 UNet 的噪声预测网络、前向加噪与反向去噪过程、以及可视化生成结果。通过该项目，用户可以直观地看到扩散模型如何从纯噪声逐步生成逼真的数字图像，是学习扩散模型和图像生成的理想入门材料。

开源 free 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 146
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类图像生成
开发团队bot66
所属国家
官网地址
GitHubhttps://github.com/bot66/MNISTDiffusion
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型denoising-diffusion,diffusion-models,image-generation,mnist,pytorch
GitHub 星标★ 146
30天Star增速
HF 下载量
上线时间2022-12-06 00:00:00
最近更新2026-08-31 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数2

使用教程

核心亮点

  • 代码极简，适合初学者快速理解 DDPM 核心机制
  • 模型体积小（4.55MB），训练和推理资源需求低
  • 提供完整的训练与采样流程，开箱即用

不足之处

  • 仅支持 MNIST 数据集，未扩展到其他图像域
  • 文档/社区待观察

适用场景

  • 学习扩散模型原理的教学演示
  • 快速原型验证扩散模型生成效果
  • 作为轻量级基线对比其他生成模型

替代项目

denoising-diffusion-pytorch、Diffusion-LM、OpenAI Guided Diffusion

项目介绍

MNISTDiffusion 是开源模型领域的开源项目，由 bot66 开发，2022 年首次发布。

它收录于开源模型分类，该分类目前共有 422 个项目，GitHub 星标数为 146。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-31。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学习扩散模型原理的教学演示。同类可对比的替代方案包括 denoising-diffusion-pytorch、Diffusion-LM、OpenAI Guided Diffusion。

上一篇：caption-upsampling

下一篇：fast-stable-diffusion

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10