|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/generative_ai_25/
课程评论：没有评论
**课程名称：** (Ken Cen出品) Generative AI 第25部：使用 PyTorch 编写 Stable Diffusion (下部) **课程概述：** 本课程是 (Ken Cen出品) Generative AI 第24部：使用 PyTorch 编写 Stable Diffusion (上部) 的延续。在上一部的基础上，本课程将深入实现 Stable Diffusion 的核心关键：**整个扩散过程 (Diffusion Process)**以及 **DDPM (Denoising Diffusion Probabilistic Models) 的模型学习 Latent Space 数据分布**。 课程强调**不依赖任何外部库，仅使用 PyTorch** 作为底层框架，从零开始构建 Stable Diffusion 所需的全部组件。最终目标是让学习者能够在 VSCode 环境下，根据用户输入的 **Prompt** 生成图像。 课程内容将围绕以下重点展开： * **U-NET 架构构建：** 详细讲解 U-NET 的内部结构，包括 Encoder、Bottle Neck 和 Decoder。理解这些组件如何通过不同的参数输入，以及如何在每个组件中结合 **Self-Attention & Cross-Attention** 和 **Residual** 连接。 * **Pipeline 组织：** 阐述如何使用 Pipeline 将 CLIP、VAE 和 U-NET 有机地组织起来。 * **Classifier-Free Guidance：** 解释如何利用不同的 Classifier Free Guidance 策略来输出不同的噪声预测。 * **模型集成与图像生成：** 学习如何将 Context 输入与噪声预测相结合，得到 U-NET 的最终输出，并将其输入到 Stable Diffusion 的预训练模型权重中，从而实现根据 Prompt 生成图片。 **核心亮点：** * **纯 PyTorch 实现：** 深入理解 Stable Diffusion 的底层实现细节，不依赖高级封装库。 * **核心技术讲解：** 聚焦扩散过程、DDPM、Latent Space、U-NET 架构、Attention 机制等关键技术。 * **完整流程演示：** 从 U-NET 的构建到最终的图像生成，贯穿 Stable Diffusion 的完整流程。 * **实践导向：** 旨在帮助学习者掌握如何在代码层面实现 Stable Diffusion，并在实际环境中生成图像。
繼續在(Ken Cen出品)Generative AI第24部 使用Pytorch編寫 Stable Diffusion 上部的基礎上，實現整個 Diffusion，擴散過程和 DDPM 實現模型學習 Latent Space 數據分佈過程，這是 Stable Diffusion 中的核心關鍵。課程不使用其他外部 library，以 Pytorch 作為底層構建 Stable Diffusion 所需一切組件，最終將根據用戶的 prompt 在 VSCode 中生成圖片。從 U-NET 開始構建，創建 U-NET 內部的Encoder，Bottle Neck， Decoder，了解內容結構如何讓 U-NET 以用不同參數餵養Encoder，Bottle Neck， Decoder，以及每個組件中，如何搭配 Self-Attention & Cross-Attention 和 Residual用 Pipeline 組織 CLIP，VAE，U-NET，根據不同的Classifier Free Guidance 輸出不同的雜訊預測，結合 Context 輸入得到 U-NET 的輸出最終輸入 Stable Diffusion 預訓練模型的權重，按Prompt 生成圖片。
