Stable Diffusion原理: 文字生成圖片簡易說明

Stable Diffusion介紹

先來談談何謂stable diffusion的技術應用，平常我們在使用的時候，例如是文生圖的應用，我們會輸入文字，按下執行之後，stable diffusion就會開始運算，運算完之後，就會產生根據文字產生的圖像。

那Stable Diffusion的原理是什麼呢？

其實在我們應用過程中，輸入文字後按下運算，stable diffusion就會根據文字描述以及隨機產生一個噪聲圖像，這個噪聲圖像就是初始的圖像，當作起點，然後逐步演化，會不斷把噪聲減低，這個就是一連串的降噪過程，除了降噪以外同步還要考量我們的文字描述，因此，stable diffusion就是在這樣的情況下，逐步演化產生我們文字描述的圖片，最終就可得到結果圖像。

那為何Stable Diffusion可以穩定降噪最終生成我們想要的圖片呢？

這是因為在訓練過程中，stable diffusion會有一個diffusion process擴散的過程，這個過程也就是會逐步將原圖像不斷加入噪聲，一步一步的讓原圖像被噪聲影響越來越模糊，最終就是得到一個完全都是充滿噪聲模糊的圖片。

為何Diffusion Process很重要呢？

因為可以讓stable diffusion模型學習如何降噪，在diffusion過程中，會產生很多有噪聲的圖片，此時，這些圖像可以讓模型之後學習到如何區分圖像與噪聲之間的關係，進而能夠辨別噪聲，把噪聲去除。產生這些有噪聲的圖像是很有價值的，因為才有大量的樣本可以讓模型去學習訓練。

[類神經網路基礎系列專文]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？

4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索

5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理

6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握

7.類神經網路—前向傳播法

8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

9.類神經網路—反向傳播法(二): 淺談梯度

10.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

11.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

12.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

13.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[機器學習基礎系列專文]:

1.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

2.機器學習面臨的問題種類介紹:回歸與分類

[類神經網路延伸介紹]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

[ChatGPT系列專文]:

1.淺談最近非常火紅的ChatGPT背後可能原理機制為何?

2.從ChatGPT探索GPT的原理概念:少量數據的解方—遷移學習技巧