Предсказывайте шум с помощью U-Net
Модель устранения шума в основе диффузии
«Предсказывайте шум с помощью U-Net» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
The Denoiser's Job
At every reverse step a single network does the heavy lifting. Its job is simple to state: look at a noisy image and predict the noise inside it.
Why a U-Net
Diffusion almost always uses a U-Net, because its output is the same size as its input: a noisy image in, a noise map out.
The Shrinking Path
The encoder downsamples the image, capturing big-picture structure like shapes and layout at a small resolution.
The Growing Path
The decoder then upsamples back to full size, rebuilding fine detail so the predicted noise lines up pixel for pixel.
Skip Connections
The U shape comes from skip connections that pass detail from encoder to decoder, so sharp edges survive the squeeze.
Feeding the Timestep
The U-Net also needs the timestep t, so it knows whether to remove a lot of noise or just a little at this stage.
Time Embeddings
That timestep is turned into a vector called a time embedding and mixed into the network's layers as a conditioning signal.
t_emb = embed(timestep) # added inside each blockAttention in the Middle
Many U-Nets add attention at the lowest resolution, letting distant regions of the image coordinate their content.
One Loss, One Target
Training compares the predicted noise to the real noise with simple MSE loss. That single objective is all it takes.
loss = mse(unet(x_t, t), true_noise)Same Net, Every Step
One U-Net handles all timesteps. The t input is what tells it how aggressively to denoise right now.
Subtract and Repeat
Predict noise, subtract a slice of it, feed the result back in. Repeating this is how the U-Net walks toward a clean image. 🖼️
Quick Check
What role do the U-Net's skip connections play?
Recap
A U-Net predicts noise at every step, using skip connections for detail and a time embedding to gauge the timestep. One MSE loss trains it all. 🎉
Часто задаваемые вопросы
Урок «Предсказывайте шум с помощью U-Net» бесплатный?
Да — полный текст урока «Предсказывайте шум с помощью U-Net» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «Предсказывайте шум с помощью U-Net»?
Модель устранения шума в основе диффузии Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «Предсказывайте шум с помощью U-Net»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- Прямое зашумление и обратное устранение шума
- Предсказывайте шум с помощью U-Net
- Расписания сэмплирования и управление
- Запустите pipeline с Diffusers