LEARNING PACK · PATH 17 · หัวข้อ 801–850
เข้าใจ Diffusion Model
จากสมการพื้นฐาน
สู่ระบบสร้างข้อมูลสมัยใหม่
เส้นทางระดับสูงสำหรับผู้อ่านที่ต้องการเปิดกล่องดำของ Diffusion, Score-based Model และ Latent Diffusion ตั้งแต่ Forward Process, Noise Prediction และ Sampling ไปจนถึงการประเมินคุณภาพและความเสี่ยง
PREREQUISITES & OUTCOMES
ก่อนเริ่มและเมื่อเรียนจบ คุณควรมองเห็นอะไร
ควรคุ้นเคยกับ Gaussian Distribution, เวกเตอร์ เมทริกซ์ Neural Network และ Gradient Descent เพื่อให้ตามสมการได้อย่างมีความหมาย
ROADMAP
หกก้าวแรกของ PATH 17
เริ่มจากแผนที่ทั้งระบบ แล้วค่อยแยก Forward, Reverse, Schedule และ Prediction Target ออกมาศึกษาทีละส่วน
แนวคิด Diffusion Probabilistic Model
ภาพรวมสมการ Forward–Reverse, ELBO, Noise Prediction และ Sampling
Forward Diffusion Process
การเติม Noise แบบ Markov และสมการ q(xₜ|x₀)
Reverse Denoising Process
การประมาณการแจกแจงย้อนกลับทีละ Time Step
Noise Schedule
การควบคุม Signal-to-Noise Ratio ตลอดกระบวนการ
Denoising Diffusion Probabilistic Model
กรอบ DDPM และความเชื่อมโยงกับ Variational Objective
Noise หรือ Epsilon Prediction
เหตุใดการทำนาย Noise จึงกลายเป็น Objective ที่ใช้งานได้จริง
RESOURCES
ทรัพยากรที่มีในบทเรียนปัจจุบัน
START HERE
อ่านหัวข้อ 801 ให้เห็นแผนที่ ก่อนพิสูจน์แต่ละสมการในบทต่อไป
หัวข้อแรกตั้งใจให้คุณเห็นความสัมพันธ์ของ Forward Process, Reverse Process, ELBO, Noise Prediction และ Sampling ในภาพเดียว เมื่อเห็นระบบทั้งหมดแล้ว หัวข้อ 802 เป็นต้นไปจะลงลึกโดยไม่ทำให้สมการแต่ละก้อนหลุดจากบริบท