learning-diffusion 是一个从零开始实现并学习扩散模型（Diffusion Models）的实战指南项目。github.com/ludocomito/learning-diffusion该项目通过一系列循序渐进的 Jupyter Notebook 教程，帮助开发者和学习者深入理解扩散模型的原理与实现细节。该项目主要包含以下 5 个核心部分，每个部分对应一个 Notebook，难度逐步进阶：1️⃣Diffusion Basics (扩散模型基础) 内容：使用简单的 2D 螺旋数据集（Spiral Dataset）来演示扩散模型的基本概念。 目的：让初学者在处理复杂的图像数据之前，通过可视化 2D 数据点的分布，直观理解“前向加噪”和“反向去噪”的过程。2️⃣Generating Images (图像生成) 内容：将扩散模型应用到真实的图像数据上（使用 MNIST 手写数字数据集）。 技术点：实现了用于图像去噪的 U-Net 架构，并展示了如何从纯噪声中生成看起来真实的数字图像。3️⃣Classifier-Free Guidance (无分类器引导) 内容：探讨如何控制生成的图像内容（例如，指定生成数字 "5" 而不是随机生成）。 技术点：通过训练一个既能进行有条件生成又能进行无条件生成的模型，在推理阶段通过引导（Guidance）增强模型对条件的依从性，这是现代生成模型（如 DALL-E 2, Stable Diffusion）提高生成质量的关键技术。4️⃣Flow Matching (流匹配) 内容：介绍了一种传统扩散模型的替代方案——基于连续归一化流（Continuous Normalizing Flows）。 特点：学习的是速度场（Velocity Fields）而不是噪声预测，能够定义从噪声到数据的平滑、确定性轨迹。这通常能带来更快的采样速度和更稳定的训练。5️⃣Latent Diffusion (潜在扩散模型) 内容：探索如何在压缩的**潜在空间（Latent Space）**中进行扩散，而不是在原始像素空间。 意义：结合了变分自编码器（VAE），这是 Stable Diffusion 等高性能模型背后的核心技术，能够大幅降低计算资源消耗并生成高分辨率图像。科技先锋官
