ai-104Đọc toàn bộ đề miễn phí

Bước Lấy Mẫu Tất Định Tốc Độ Cao DDIM (Song et al. ICLR 2021)

1. Ước lượng ảnh gốc x₀:

AINâng cao45 phút

Tiến độ của tôi ở bài này

Điểm được lưu vào tài khoản sau khi chấm bài.

Đang tải điểm của bạn…

Kiến thức và chủ đề

generative-modelsdiffusionddimfast-samplingodepytorch

Kiến thức tiên quyết: ddpm-reverse-diffusion-step.

Nội dung đề bài3 cấp độ gợi ýPhân tích lời giảiCode tham khảo

Nội dung đề bài

Mục tiêu kiến thức

DDPM đòi hỏi chạy tuần tự đủ $T = 1000$ bước gây tốn kém thời gian suy luận (10-30 giây cho một bức ảnh).
Song et al. (2020) chứng minh rằng có một họ các quá trình phi-Markovian (Non-Markovian) chia sẻ cùng phân phối biên $q(x t | x 0)$ nhưng cho phép suy luận với bước nhảy bất kỳ (chỉ cần 20 - 50 bước).
Công thức cập nhật DDIM:
Ước lượng ảnh gốc $x 0$ :

$x 0 = x t - \sqrt(1 - α t) \cdot ε θ (x t, t) \sqrt(α t)$

Phương sai nhiễu:

$σ t = η \cdot \sqrt(1 - α t-1 1 - α t) \sqrt(1 - α t α t-1)$

Khi $η = 0$ (DDIM Tất Định / ODE Trajectory): $σ t = 0$ .
Cập nhật bước tiếp theo $x t-1$ :

$x t-1 = \sqrt(α t-1) \cdot x 0 + \sqrt(1 - α t-1 - σ t 2) \cdot ε θ (x t, t) + σ t \cdot z$

Yêu cầu

Viết hàm:

def ddim_step(
    x_t: torch.Tensor,
    predicted_noise: torch.Tensor,
    alpha_bar_t: float,
    alpha_bar_prev: float,
    eta: float = 0.0,
    z: torch.Tensor | None = None
) -> tuple[torch.Tensor, torch.Tensor]:
    pass

Trả về tuple (x_prev, pred_x0):
x_prev: Tensor $x t-1$ .
pred_x0: Tensor ảnh gốc ước lượng $x 0$ .

Input

Hàm ddim_step(x_t, predicted_noise, alpha_bar_t, alpha_bar_prev, eta, z): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.

Output

Hàm ddim_step: Trả về kết quả kiểu tuple[torch.Tensor, torch.Tensor] theo đúng đặc tả kỹ thuật và kích thước quy định.

Ràng buộc

Thời gian chạy tối đa: 2000ms.
Giới hạn bộ nhớ: 256MB.
Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.

Ví dụ 1

Input

x_t = torch.tensor([[2.0]])
pred_noise = torch.tensor([[1.0]])
ab_t = 0.64
ab_prev = 0.81
x_prev, pred_x0 = ddim_step(x_t, pred_noise, ab_t, ab_prev, eta=0.0)

Output

([[2.0109]], [[1.75]])

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

Ví dụ 2

Input

x_t = torch.randn(4, 3, 16, 16)
pred_noise = torch.randn(4, 3, 16, 16)
x_prev, pred_x0 = ddim_step(x_t, pred_noise, 0.5, 0.7, eta=0.0)

Output

(Tensor shape: (4, 3, 16, 16), dtype=torch.float32, Tensor shape: (4, 3, 16, 16), dtype=torch.float32)

Giải thích

Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.

3 cấp độ gợi ýMở dần khi bạn thật sự cần hỗ trợ.

Phân tích lời giảiGiải thích hướng tư duy và thuật toán.

Code tham khảoDùng để đối chiếu sau khi tự làm.

Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.

Góp ý & báo lỗi bài tập

Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.

Tiến độ của tôi ở bài này

Kiến thức và chủ đề

Nội dung đề bài

Mục tiêu kiến thức

Yêu cầu

Input

Output

Ràng buộc

Ví dụ 1

Input

Output

Giải thích

Ví dụ 2

Input

Output

Giải thích

Bài tập liên quan cùng chuyên đề

Góp ý & báo lỗi bài tập