ai-100Đọc toàn bộ đề miễn phí

Lịch Trình Nhiễu Tuyến Tính & Cosine Cho Mô Hình Diffusion DDPM

q(x_t | x_t-1) = N(x_t; √(1 - β_t) x_t-1, β_t I)

AITrung bình35 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-modelsdiffusionddpmnoise-schedulepytorch

Kiến thức tiên quyết: gaussian-process-regression-rbf-kernel.

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

Nội dung đề bài

Mục tiêu kiến thức

Trong mô hình Denoising Diffusion Probabilistic Models (DDPM), quá trình khuếch tán thuận thêm nhiễu Gauss qua $T$ bước thời gian rời rạc với phương sai $β t \in (0, 1)$ :

$q(x t | x t-1) = N (x t; \sqrt(1 - β t) x t-1, β t I)$

Đặt $α t = 1 - β t$ và tích lũy tích $α t = \prod s=1 t α s$ (alphas_cumprod).
Lịch trình tuyến tính (Linear Schedule - Ho et al. 2020):

$β t = linspace (β start, β end, T)$

Lịch trình Cosine (Cosine Schedule - Nichol & Dhariwal 2021):

Lịch trình tuyến tính thêm nhiễu quá nhanh ở các bước đầu, làm mất chi tiết ảnh nhỏ. Lịch trình Cosine định nghĩa trực tiếp $α t$ : $f(t) = cos (t/T + s 1 + s \cdot π 2) 2$ $α t = f(t) f(0), β t = clip ( 1 - α t α t-1, ; β max = 0.999 )$ với hằng số offset $s = 0.008$ .

Yêu cầu

Viết hàm:

def get_beta_schedule(
    schedule_type: str,
    num_timesteps: int,
    beta_start: float = 0.0001,
    beta_end: float = 0.02
) -> dict[str, torch.Tensor]:
    pass

Trả về dictionary gồm 3 tensor 1D kích thước (T,):
"betas": Tensor chứa $β 1, \dots, β T$ .
"alphas": Tensor $1 - β t$ .
"alphas_cumprod": Tensor tích lũy $α t = \prod s=1 t α s$ (torch.cumprod).

Input

Hàm get_beta_schedule(schedule_type, num_timesteps, beta_start, beta_end): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.

Output

Hàm get_beta_schedule: Trả về kết quả kiểu dict[str, 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

T = 100
sched = get_beta_schedule('linear', T, beta_start=0.001, beta_end=0.02)
diffs = sched['alphas_cumprod'][1:] - sched['alphas_cumprod'][:-1]

Output

Tensor shape: (99,), 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.

Ví dụ 2

Input

sched = get_beta_schedule('cosine', 50)

Output

{
  'betas': Tensor shape: (50,), dtype=torch.float32,
  'alphas': Tensor shape: (50,), dtype=torch.float32,
  'alphas_cumprod': Tensor shape: (50,), 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