本篇推文有两个重点：1.这家伙又要骗人买课了；2.超形象讲解AIGC相关的图像foundational model的相关技术点
（1）我们实诚点 
，这是个带有卖课的推文。区别于b站上大量的拿stable diffusion webui跑图应用的课程，他们很好，适合你体验AIGC的有趣，但是光靠跑图没法找到算法相关的工作和做深入的科研；另一种b站公开课是数学推导，他们也很好，有助于你详细了解期间的数学过程，但是你得写程序的。
BUT！！！！作为一个算法工程师或者研究生、博士生，我们应该要深入原理和代码层面，将数学、图解原理、手写代码给统一、高度对应起来才是立于不败之地，不容易被取代的根本。
本次课程是由手写AI的Coey Liang（苏苏）主讲（对了！ 
就是那个在b站上讲剪枝sparsegpt和OBS复现的那位），不是du老师。
好的，我们正题说完了，下面小伙伴们感兴趣的可以瞄一眼下面凑字数的文字。
（2）拥抱AIGC
AIGC 关于NLP的我就不做介绍了，就一句，OpenAI ChatGPT YYDS。国产大模型听说不错，隔行如隔山，这很难评。下面来快速过一下视觉生成大模型相关的重要技术点：
上面的图片中所涉及到的VAE和GAN大家可能做视觉的都比较熟悉，在很多数据生成、去噪、影片上色的工作中都会用到。最后的diffusion model这几年来最有代表性的工作就是OpenAI的DALL.E 、midjourney和runwayml这些明星初创公司。
以下我们通过图来去快速cover掉扩散生成式AI的基本知识，来勾起你现有知识与AIGC的知识的联系：
更加详细的版本：建议看下面两个视频：
【如果不想用脑，可以直接看视频-手写扩散模型-形象理解sd组件-"梵高"来画"蒙娜丽莎"
【手写扩散模型-用混合高斯理解事物的采样和生成】 https://www.bilibili.com/video/BV1hN411B7RZ/?share_source=copy_web&vd_source=c2943614860835ab3609130be342280f
让我们来想象一下，我们让“梵高”去画一幅“蒙娜丽莎”。映入梵高眼睛都会是一幅现成的蒙娜丽莎，所以那得先学会并且找到画出（生成）蒙娜丽莎的方法。
1. 学习生成新样本的方法（学会拆解成品）
在拆解的过程当中，会有不一样的拆解策略，比如说我们一共要分多少步来拆解，每一步拆解得多与少？是不是可以早一点的阶段加拆多一点，后面的阶段拆少一点？这里对应的其实就是我们的加噪策略。
从很形象和很高维度的角度来说，你可以暂时不严谨地理解为，你拆的东西多了，你就学会了见过了各种东西，你就有学会拼回去的基础。这里对应的就是我们扩散模型中的前向扩散过程（forward diffusion）。
2. 如何拼回去？
理论上来手，你只要很清楚的指导你每一步是怎么拆的，你就可以训练一个神经网络，拿真值和预测值做对比，就相当于，梵高旁边站着个达芬奇，他拼接回去的时候，每一步拼之前都问一下达芬奇这样拼对不对，差多少，对应的就是下面的这个公式。为了让loss最小，左边的是真值，右边的是预测值。这里拼起来并且算loss就是我们的反向扩散（重建）过程(reverse diffusion)
3.将图像和文字联系起来
现在梵高想给蒙娜丽莎加上一对翅膀。为了实现这个目标，他需要一个明确的指导方向。这时，原作达芬奇来了，他给了梵高一个指导方向：“蒙娜丽莎带有翅膀”。这个提示就像CLIP将文本转化为tensor的过程。接着，梵高将这个提示与他手头的蒙娜丽莎草图（也可以看作是一个tensor）结合起来，形成了一个完整的创作方向。
这个结合的过程，就像将提示的tensor与图像的tensor进行concat操作。有了这个结合后的方向，梵高开始绘画，确保在完成的画作中，蒙娜丽莎有了那对翅膀。
同样地，当我们使用diffusion模型和CLIP时，CLIP将文本提示转化为tensor，并与图像tensor结合，为模型提供了一个明确的创作方向。模型在这个方向的指导下，可以生成既符合原始目标（蒙娜丽莎的画像），又加入了新的元素（翅膀）的图像。以上对应的其实就是我们的conditioning
4.不是完全临摹
在重新创作蒙娜丽莎的过程中，梵高不会一丝不苟地复制每一个细节，而是捕捉画作的精髓或最重要的特征。这与自动编码器（AE）的工作方式相似。它将图像（或任何数据）压缩成更简洁的表示形式（潜在空间），然后重新构建它。这种压缩表示封装了数据的最关键特征，使得减轻了网络训练的压力，最直接的原因就是分辨率变小了。
5. 分层次地学习我们的画作
梵高在画蒙娜丽莎的过程中是分层次的学习我们的画作的。他首先从整体构图开始，确定画面的大致布局和主要元素的位置，这可以看作是捕捉图像的全局信息。然后，他逐渐关注细节，如蒙娜丽莎的微笑、眼睛和皮肤的纹理。这是从全局到局部的过程。
UNet的结构也遵循这种从全局到局部的思路。在UNet的编码阶段，图像被逐渐下采样，捕捉到的是全局的、粗糙的特征。随后，在解码阶段，这些特征被逐渐上采样并与之前的高分辨率特征结合，从而恢复图像的细节。
在扩散模型中，由于噪声的存在，直接恢复细节可能会导致错误。因此，首先捕捉全局信息，然后再逐步恢复细节是非常重要的。UNet的这种特点使其非常适合这种任务，因为它可以在恢复图像的同时，确保全局结构和局部细节都得到很好的保留。
以上就是Diffusion里面比较重要的概念的形象理解。如果想要更深刻的理解（手写复现代码）欢迎直接看以下b站DDPM复现视频。
