| # 《从零开始学扩散模型》 | |
| ## 术语表 | |
| | 词汇 | 翻译 | | |
| | :---------------------- | :--- | | |
| | Corruption Process | 退化过程 | | |
| | Pipeline | 管线 | | |
| | Timestep | 时间步 | | |
| | Scheduler | 调度器 | | |
| | Gradient Accumulation | 梯度累加 | | |
| | Fine-Tuning | 微调 | | |
| | Guidance | 引导 | | |
| # 目录 | |
| ## 第一部分 基础知识 | |
| ### 第一章 扩散模型的原理、发展和应用 | |
| #### 1.1 扩散模型的原理 | |
| #### 1.2 扩散模型的发展 | |
| #### 1.3 扩散模型的应用 | |
| ### 第二章 HuggingFace介绍与环境准备 | |
| #### 2.1 HuggingFace Space | |
| #### 2.2 Transformer 与 diffusers 库 | |
| #### 2.3 环境准备 | |
| ## 第二部分 扩散模型实战 | |
| ### 第三章 从零开始做扩散模型 | |
| #### 3.1 章节概述 | |
| #### 3.2 环境准备 | |
| #### 3.2.1 环境的创建与导入 | |
| #### 3.2.2 数据集测试 | |
| #### 3.3 扩散模型-退化过程 | |
| #### 3.4 扩散模型训练 | |
| #### 3.4.1 Unet模型 | |
| #### 3.4.2 开始训练模型 | |
| #### 3.5 扩散模型-采样（取样）过程 | |
| #### 3.5.1 采样（取样）过程 | |
| #### 3.5.2 与DDPM的区别 | |
| #### 3.5.3 UNet2DModel模型 | |
| #### 3.6 扩散模型-退化过程示例 | |
| #### 3.6.1 退化过程 | |
| #### 3.6.2 最终的训练目标 | |
| #### 3.7 拓展知识 | |
| #### 3.7.1 迭代周期（Timestep）的调节 | |
| #### 3.7.2 采样（取样）的关键问题 | |
| #### 3.8 本章小结 | |
| ### 第四章 Diffusers实战 | |
| #### 4.1 章节概述 | |
| #### 4.2 环境准备 | |
| #### 4.2.1 安装Diffusers库 | |
| #### 4.2.2 Dreambooth-全新的扩散模型 | |
| #### 4.2.3 Diffusers核心API | |
| #### 4.3 实战：生成美丽的蝴蝶图片 | |
| #### 4.3.1 下载蝴蝶图像集 | |
| #### 4.3.2 扩散模型-调度器 | |
| #### 4.3.3 定义扩散模型 | |
| #### 4.3.4 创建扩散模型训练循环 | |
| #### 4.3.5 图像的生成 | |
| #### 4.4 拓展知识 | |
| #### 4.4.1 将模型上传到Hub上 | |
| #### 4.4.2 扩大训练模型的规模 | |
| #### 4.5 本章小结 | |
| ### 第五章 微调和引导 | |
| #### 5.1 章节概述 | |
| #### 5.2 环境准备 | |
| #### 5.3 载入一个预训练过的管线 | |
| #### 5.4 DDIM-更快的采样过程 | |
| #### 5.5 扩散模型-微调 | |
| #### 5.5.1 实战：微调 | |
| #### 5.5.2 使用最小化样例脚本微调模型 | |
| #### 5.5.3 保存和载入微调过的管线 | |
| #### 5.6 扩散模型-引导 | |
| #### 5.6.1 实战：引导 | |
| #### 5.6.2 CLIP 引导 | |
| #### 5.7 分享你的自定义采样训练 | |
| #### 5.7.1 环境准备 | |
| #### 5.7.2 创建一个以类别为条件的UNet | |
| #### 5.7.3 训练与采样 | |
| #### 5.8 本章小结 | |
| #### 5.9 实战：创建一个类别条件扩散模型 | |
| ### 第六章 Stable Diffusion | |
| #### 6.1 章节概述 | |
| #### 6.2 环境准备 | |
| #### 6.3 从文本生成图像 | |
| #### 6.4 Stable Diffusion Pipeline | |
| #### 6.4.1 可变分自编码器(VAE) | |
| #### 6.4.2 分词器(Tokenizer)和文本编码器(Text Encoder) | |
| #### 6.4.3 UNet | |
| #### 6.4.4 调度器(Scheduler) | |
| #### 6.4.5 DIY一个采样循环 | |
| #### 6.5 其他管线介绍 | |
| #### 6.5.1 Img2Img | |
| #### 6.5.2 In-Painting | |
| #### 6.5.3 Depth2Image | |
| #### 6.5.4 拓展：管理你的模型缓存 | |
| #### 6.6 本章小结 | |
| ### 第七章 DDIM反转 | |
| #### 7.1 本章概述 | |
| #### 7.2 实战：反转 | |
| #### 7.2.1 设置 | |
| #### 7.2.2 加载一个已训练的管道 | |
| #### 7.2.3 DDIM采样 | |
| #### 7.2.4 反转 | |
| #### 7.3 组合封装 | |
| #### 7.4 本章小结 | |
| ### 第八章 音频扩散模型 | |
| #### 8.1 本章概述 | |
| #### 8.2 实战：音频扩散模型 | |
| #### 8.2.1 设置与导入 | |
| #### 8.2.2 从预先训练的音频管道采样 | |
| #### 8.2.3 从音频到频谱的转换 | |
| #### 8.2.4 微调管道 | |
| #### 8.2.5 循环训练 | |
| #### 8.3 将模型上传到Hub上 | |
| #### 8.4 本章小结 | |
| ### 第九章 ControlNet和LoRa | |
| #### 9.1 ControlNet | |
| #### 9.2 LoRa | |
| ## 附录 精美图像集展示 |