扩散模型从原理到实战

★AIGC的应用领域日益广泛，而在图像生成领域，扩散模型则是AIGC技术的一个重要应用。

★本书以扩散模型理论知识为切入点，由浅入深地介绍了扩散模型的相关知识，并以大量生动有趣的实战案例帮助读者理解扩散模型的相关细节。

★本书既适合所有对扩散模型感兴趣的AI研究人员、相关科研人员以及在工作中有绘图需求的从业人员阅读，也可以作为计算机等相关专业学生的参考书。

◎内容简介：

全书共8章，详细介绍了扩散模型的原理，以及扩散模型退化、采样、DDIM反转等重要概念与方法，此外还介绍了Stable Diffusion、ControlNet与音频扩散模型等内容。最后，附录提供由扩散模型生成的高质量图像集以及Hugging Face社区的相关资源。

◎专业书评：

本书系统地介绍了扩散模型的原理和相关细节，同时书中丰富的实战案例也将引领读者快速上手扩散模型。对于任何想...

(展开全部)

★AIGC的应用领域日益广泛，而在图像生成领域，扩散模型则是AIGC技术的一个重要应用。

★本书以扩散模型理论知识为切入点，由浅入深地介绍了扩散模型的相关知识，并以大量生动有趣的实战案例帮助读者理解扩散模型的相关细节。

★本书既适合所有对扩散模型感兴趣的AI研究人员、相关科研人员以及在工作中有绘图需求的从业人员阅读，也可以作为计算机等相关专业学生的参考书。

◎内容简介：

全书共8章，详细介绍了扩散模型的原理，以及扩散模型退化、采样、DDIM反转等重要概念与方法，此外还介绍了Stable Diffusion、ControlNet与音频扩散模型等内容。最后，附录提供由扩散模型生成的高质量图像集以及Hugging Face社区的相关资源。

◎专业书评：

本书系统地介绍了扩散模型的原理和相关细节，同时书中丰富的实战案例也将引领读者快速上手扩散模型。对于任何想要学习和了解扩散模型的人来说，本书都是颇具价值的参考资料。

——周明，澜舟科技创始人兼CEO，创新工场首席科学家，CCF副理事长

受非平衡热力学的启发，扩散模型以良好的数学解释性及可控的生成多样性迅速成为AIGC领域一颗耀眼的新星。本书从“一滴墨水”开始，由浅入深，从理论到实践“扩散”出了图像、文本与音频的AIGC蓝图，并为读者保留了精华，去除了“噪声”，还原出了知识体系最真实的“分布”。

——杨耀东，北京大学人工智能研究院研究员

人工智能扩散模型在近几年取得了令人目不暇接的惊艳成果，可以有效解决视觉内容生成的瓶颈问题。仔细阅读本书，你既可以对扩散模型背后的原理有较为深刻的理解，也可以依此动手进行实践，从而牢固掌握扩散模型，为进一步创新或深度应用打下坚实基础。本书值得推荐！

——钟声，声网CTO

纵观人类历史，机遇永远属于抢先一步占据未来高度的人。我们每一个人都有必要去探究人工智能的奥秘，以便在即将到来的变革大潮中争得一席之地。

——马伯庸，作家

《扩散模型从原理到实战》以Hugging Face的扩散模型（Diffusion Model）课程为基础，通过理论和实例相结合的方式，为读者构建了一个完整的学习框架。无论你是新手还是经验丰富的从业者，这本以实战为导向的图书都能够帮助你更好地理解和应用扩散模型。

——王铁震，Hugging Face中国地区负责人，高级工程师

随着Stable Diffusion和Midjourney的推出，文生图形式的AI绘画火爆异常，很多游戏的角色设计、网上店铺的页面设计都用到了AI绘画工具。本书系统地梳理了AI绘画背后的一系列原理细节，且有代码实战，我非常推荐大家阅读本书!

——July，七月在线创始人，CEO

第1章　扩散模型简介　1
1.1　扩散模型的原理　1
1.1.1　生成模型　1
1.1.2　扩散过程　2
1.2　扩散模型的发展　5
1.2.1　开始扩散：基础扩散模型的提出与改进　6
· · · · · · (更多)

第1章　扩散模型简介　1
1.1　扩散模型的原理　1
1.1.1　生成模型　1
1.1.2　扩散过程　2
1.2　扩散模型的发展　5
1.2.1　开始扩散：基础扩散模型的提出与改进　6
1.2.2　加速生成：采样器　6
1.2.3　刷新纪录：基于显式分类器引导的扩散模型　7
1.2.4　引爆网络：基于CLIP的多模态图像生成　8
1.2.5　再次“出圈”：大模型的“再学习”方法——DreamBooth、LoRA和ControlNet　8
1.2.6　开启AI作画时代：众多商业公司提出成熟的图像生成解决方案　10
1.3　扩散模型的应用　12
1.3.1　计算机视觉 　12
1.3.2　时序数据预测　14
1.3.3　自然语言　15
1.3.4　基于文本的多模态　16
1.3.5　AI基础科学　19
第2章　Hugging Face简介　21
2.1　Hugging Face核心功能介绍　21
2.2　Hugging Face开源库　28
2.3　Gradio工具介绍　30
第3章　从零开始搭建扩散模型　33
3.1　环境准备　33
3.1.1　环境的创建与导入　33
3.1.2　数据集测试　34
3.2　扩散模型之退化过程　34
3.3　扩散模型之训练　36
3.3.1　 UNet网络　36
3.3.2　开始训练模型　38
3.4　扩散模型之采样过程　41
3.4.1　采样过程　41
3.4.2　与DDPM的区别　44
3.4.3　UNet2DModel模型　44
3.5　扩散模型之退化过程示例　57
3.5.1　退化过程　57
3.5.2　最终的训练目标　59
3.6　拓展知识　60
3.6.1　时间步的调节　60
3.6.2　采样（取样）的关键问题　61
3.7　本章小结　61
第4章　Diffusers实战　62
4.1　环境准备　62
4.1.1　安装Diffusers库　62
4.1.2　DreamBooth　64
4.1.3　Diffusers核心API　66
4.2　实战：生成美丽的蝴蝶图像　67
4.2.1　下载蝴蝶图像集　67
4.2.2　扩散模型之调度器　69
4.2.3　定义扩散模型　70
4.2.4　创建扩散模型训练循环　72
4.2.5　图像的生成　75
4.3　拓展知识　77
4.3.1　将模型上传到Hugging Face Hub 　77
4.3.2　使用Accelerate库扩大训练模型的规模　79
4.4　本章小结　81
第5章　微调和引导　83
5.1　环境准备　86
5.2　载入一个预训练过的管线　87
5.3　DDIM——更快的采样过程　88
5.4　扩散模型之微调　91
5.4.1　实战：微调　91
5.4.2　使用一个最小化示例程序来微调模型　96
5.4.3　保存和载入微调过的管线　97
5.5　扩散模型之引导　98
5.5.1　实战：引导　100
5.5.2　CLIP引导　104
5.6　分享你的自定义采样训练　108
5.7　实战：创建一个类别条件扩散模型　111
5.7.1　配置和数据准备　111
5.7.2　创建一个以类别为条件的UNet模型　112
5.7.3　训练和采样　114
5.8　本章小结　117
第6章　Stable Diffusion　118
6.1　基本概念　118
6.1.1　隐式扩散　118
6.1.2　以文本为生成条件　119
6.1.3　无分类器引导　121
6.1.4　其他类型的条件生成模型：Img2Img、Inpainting与Depth2Img模型 　122
6.1.5　使用DreamBooth进行微调　123
6.2　环境准备　124
6.3　从文本生成图像　125
6.4　Stable Diffusion Pipeline　128
6.4.1　可变分自编码器　128
6.4.2　分词器和文本编码器　129
6.4.3　UNet　131
6.4.4　调度器　132
6.4.5　DIY采样循环　134
6.5　其他管线介绍　136
6.5.1　Img2Img　136
6.5.2　Inpainting　138
6.5.3　Depth2Image　139
6.6　本章小结　140
第7章　DDIM反转　141
7.1　实战：反转　141
7.1.1　配置　141
7.1.2　载入一个预训练过的管线　142
7.1.3　DDIM采样　143
7.1.4　反转　147
7.2　组合封装　153
7.3　ControlNet的结构与训练过程　158
7.4　ControlNet示例　162
7.4.1　ControlNet与Canny Edge　162
7.4.2　ControlNet与M-LSD Lines　162
7.4.3　ControlNet与HED Boundary　163
7.4.4　ControlNet与涂鸦画　164
7.4.5　ControlNet与人体关键点　164
7.4.6　ControlNet与语义分割　164
7.5　ControlNet实战　165
7.6　本章小结　174
第8章　音频扩散模型　175
8.1　实战：音频扩散模型　175
8.1.1　设置与导入　175
8.1.2　在预训练的音频扩散模型管线中进行采样　176
8.1.3　从音频到频谱的转换　177
8.1.4　微调管线　180
8.1.5　训练循环　183
8.2　将模型上传到Hugging Face Hub　186
8.3　本章小结　187
附录A　精美图像集展示　188
附录B　Hugging Face相关资源　202
· · · · · · (收起)