denoising-diffusion-pytorch

环境要求

• Python 环境（README 未指定具体版本）
• 已安装 PyTorch（README 未指定版本）
• 可联网的 pip 环境（用于从 PyPI 安装包）

安装与启动步骤

1. 1安装软件包

   用 pip 从 PyPI 安装 denoising_diffusion_pytorch，这是 README 给出的唯一安装方式；请确认已提前装好 PyTorch。

   pip install denoising_diffusion_pytorch

   复制

2. 2导入并构建 UNet

   从包中导入 Unet 并实例化骨干网络，dim、dim_mults 控制各层通道与倍率，flash_attn 开启注意力加速。

   from denoising_diffusion_pytorch import Unet
   
   model = Unet(
       dim = 64,
       dim_mults = (1, 2, 4, 8),
       flash_attn = True
   )

   复制

3. 3初始化扩散模型

   把 UNet 交给 GaussianDiffusion 封装，指定 image_size 与 timesteps（加噪/去噪步数），得到可直接调用的扩散对象。

   from denoising_diffusion_pytorch import GaussianDiffusion
   
   diffusion = GaussianDiffusion(
       model,
       image_size = 128,
       timesteps = 1000    # number of steps
   )

   复制

4. 4跑通前向与反向

   用随机张量模拟一批训练图像（形状 8×3×128×128，取值归一化到 0~1），调用 diffusion 得到损失并反向传播。

   import torch
   
   training_images = torch.rand(8, 3, 128, 128) # images are normalized from 0 to 1
   loss = diffusion(training_images)
   loss.backward()

   复制

关键配置

如何确认成功

运行示例代码后，loss 为一个 tensor 且 loss.backward() 不报错，说明模型构建与前向流程正常。

常见问题

注意事项

• README 的安装说明只有一条 pip 命令，其余依赖（如 PyTorch）需自行预先准备。
• 示例中的训练图像必须归一化到 0~1 区间，否则扩散过程的前向计算不符合预期。
• 本次节选未包含数据集加载、训练循环、采样生成等完整流程，实际训练需参考仓库完整文档。