IDDM：集成设计扩散模型

English Document

0 关于模型

该扩散模型为经典的ddpm、ddim和plms，来源于论文《Denoising Diffusion Probabilistic Models》、《Denoising Diffusion Implicit Models》和《Pseudo Numerical Methods for Diffusion Models on Manifolds》。

我们将此项目命名为IDDM: Integrated Design Diffusion Model，中文名为集成设计扩散模型。在此项目中进行模型复现、训练器和生成器编写、部分算法和网络结构的改进与优化，该仓库持续维护。

如果有任何问题，请先到此issue进行问题查询，若无法解决可以加入我们的QQ群：949120343、开启新issue提问或联系我的邮箱：chenyu1998424@gmail.com/chairc1998@163.com。如果你认为我的项目有意思请给我点一颗⭐⭐⭐Star⭐⭐⭐吧。

本仓库整体结构

Integrated Design Diffusion Model
├── config
│   ├── choices.py
│   ├── model_list.py
│   ├── setting.py
│   └── version.py
├── datasets
│   └── dataset_demo
│       ├── class_1
│       ├── class_2
│       └── class_3
├── deploy
│   ├── deploy_socket.py
│   └── deploy_server.py
├── model
│   ├── modules
│   │   ├── activation.py
│   │   ├── attention.py
│   │   ├── block.py
│   │   ├── conv.py
│   │   ├── ema.py
│   │   └── module.py
│   ├── networks
│   │   ├── sr
│   │   │   └── srv1.py
│   │   ├── base.py
│   │   ├── cspdarkunet.py
│   │   └── unet.py
│   ├── samples
│   │   ├── base.py
│   │   ├── ddim.py
│   │   ├── ddpm.py
│   │   └── plms.py
│   └── trainers
│       ├── base.py
│       ├── dm.py
│       └── sr.py
├── results
├── sr
│   ├── dataset.py
│   ├── demo.py
│   ├── interface.py
│   └── train.py
├── test
│   ├── noising_test
│   │   ├── landscape
│   │   └── noise
│   └── test_module.py
├── tools
│   ├── FID_calculator.py
│   ├── FID_calculator_plus.py
│   ├── generate.py
│   └── train.py
├── utils
│   ├── check.py
│   ├── checkpoint.py
│   ├── dataset.py
│   ├── initializer.py
│   ├── logger.py
│   ├── lr_scheduler.py
│   ├── metrics.py
│   ├── processing.py
│   └── utils.py
├── webui
│   └──web.py
└── weights

1 接下来要做

[2023-07-15] 增加多卡分布式训练
[2023-07-31] 增加cosine学习率优化
[2023-08-03] 增加DDIM采样方法
[2023-08-28] 云服务器快速部署和接口
[2023-09-16] 支持其它图像生成
[2023-11-09] 增加效果更优的U-Net网络模型
[2023-11-09] 支持更大尺寸的生成图像
[2023-12-06] 重构model整体结构
[2024-01-23] 增加可视化webui训练界面
[2024-02-18] 支持低分辨率生成图像进行超分辨率增强[~~超分模型效果待定~~]
[2024-03-12] 增加PLMS采样方法
[2024-05-06] 增加FID方法验证图像质量
[2024-06-11] 增加可视化webui生成界面
[2024-07-07] 支持自定义图像长宽输入
[2024-11-13] 增加生成图像Socket和网站服务部署
[2024-11-26] 增加PSNR和SSIM方法验证超分图像质量
[2024-12-10] 增加预训练模型下载
[2024-12-25] 重构训练器结构
[预计2025-01-31] 增加Docker部署与镜像
[待定] 重构项目利用百度飞桨框架
[待定] ~~使用Latent方式降低显存消耗~~

2 训练

训练前需注意

本自README的训练GPU环境如下：使用具有6GB显存的NVIDIA RTX 3060显卡、具有11GB显存的NVIDIA RTX 2080Ti显卡和具有22GB（总计44GB，分布式训练）显存的NVIDIA RTX 6000（×2）显卡对模型进行训练和测试。上述GPU均可正常训练。

2.1 开始你的第一个训练（以cifar10为例，模式单卡）

导入数据集

首先，将数据集上传至目标文件夹datasets中[issue]。上传后文件夹格式（例如：cifar10文件夹下存放着所有类别；class0文件夹下存储着class0这个类别的所有图片）如下方列表所示：

 datasets
 └── cifar10
     ├── class0
     ├── class1
     ├── class2
     ├── class3
     ├── class4
     ├── class5
     ├── class6
     ├── class7
     ├── class8
     └── class9

此时你的训练前准备已经完毕。

设置训练参数

打开train.py文件，修改if __name__ == "__main__":中的parser参数；

设置--conditional参数为True，因为是多类别训练，所以需要开启，单类别可以不开启也可以开启；

设置--run_name参数为你想创建的文件名称，例如cifar_exp1；

设置--dataset_path参数为/你的/本地/或/远程服务器/文件/地址/datasets/cifar10；

设置--result_path参数为/你的/本地/或/远程服务器/文件/地址/results；

设置--num_classes参数为10，这是你的类别总数（1.1.4版本后的模型可不用设置）；

设置更多参数（自定义），如果报CUDA out of memory错误，将--batch_size、--num_workers调小；

在自定义参数中，你可以设置不同的--sample例如ddpm或ddim，设置不同的训练网络--network例如unet或cspdarkunet。当然激活函数--act，优化器--optim，混合精度训练--amp，学习率方法--lr_func等参数也都是可以自定义设置的。

详细命令可参考训练参数。
等待训练过程

点击run运行后，项目会在results文件夹中生成cifar_exp1文件夹，该文件夹中会保存训练日志文件、模型训练文件、模型EMA文件、模型优化器文件、训练的所有最后一次保存的文件和评估后生成的图片。
查看结果

找到results/cifar_exp1文件夹即可查看训练结果。

↓↓↓↓↓↓↓↓↓↓下方为多种训练方式、训练详细参数讲解↓↓↓↓↓↓↓↓↓↓

2.2 普通训练

2.2.1 命令训练

以landscape数据集为例，将数据集文件放入datasets文件夹中，该数据集的总路径如下/your/path/datasets/landscape，图片存放在/your/path/datasets/landscape/images，数据集图片路径如下/your/path/datasets/landscape/images/*.jpg
打开train.py文件，找到--dataset_path参数，将参数中的路径修改为数据集的总路径，例如/your/path/datasets/landscape
设置必要参数，例如--sample，--conditional，--run_name，--epochs，--batch_size，--image_size，--result_path等参数，若不设置参数则使用默认设置。我们有两种参数设置方法，其一是直接对train.py文件if __name__ == "__main__":中的parser进行设置（我们推荐这种方式）；其二是在控制台在/your/path/Defect-Diffiusion-Model/tools路径下输入以下命令：
有条件训练命令
```
python train.py --sample ddpm --conditional --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path
```
无条件训练命令
```
python train.py --sample ddpm --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path
```
等待训练即可

若因异常原因中断训练[issue]，我们可以在train.py文件，首先设置--resume为True，其次设置异常中断的迭代编号，再写入该次训练的所在文件夹（run_name），最后运行文件即可。也可以使用如下命令进行恢复：
有条件恢复训练命令

# 此处为输入--start_epoch参数，使用当前编号权重
python train.py --resume --start_epoch 10 --sample ddpm --conditional --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

# 此处为不输入--start_epoch参数，默认使用last权重
python train.py --resume --sample ddpm --conditional --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

无条件恢复训练命令

python train.py --resume --start_epoch 10 --sample ddpm --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

# 此处为不输入--start_epoch参数，默认使用last权重
python train.py --resume --sample ddpm --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

预训练模型在每次大版本Release中发布，请留意。预训练模型使用方法如下[issue]，首先将对应network、image_size、act等相同参数的模型下到本地任意文件夹下。直接调整train.py中--pretrain和--pretrain_path即可。也可以使用如下命令进行预训练：
使用有条件预训练模型训练命令

python train.py --pretrain --pretrain_path /your/pretrain/path/model.pt --sample ddpm --conditional --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

使用无条件预训练模型训练命令

python train.py --pretrain --pretrain_path /your/pretrain/path/model.pt --sample ddpm --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path

2.2.2 Python脚本训练

from model.trainers.dm import DMTrainer
from tools.train import init_train_args

# 方法一
# 初始化参数
args = init_train_args()
# 自定义你的参数，也可以进入init_train_args方法配置
setattr(args, "conditional", True) # True为条件训练，False为非条件训练
setattr(args, "sample", "ddpm") # 采样器
setattr(args, "network", "unet") # 深度学习网络
setattr(args, "epochs", 300) # 迭代次数
setattr(args, "image_size", 64) # 图像大小
setattr(args, "dataset_path", "/你/的/数/据/集/路/径/") # 数据集保存路径
setattr(args, "result_path", "/你/的/保/存/路/径/") # 结果保存路径
setattr(args, "vis", True) # 开启可视化
# ...
# 或者使用args["参数名称"] = "你的设置"
# 开启训练
DMTrainer(args=args).train()

# 方法二
args = init_train_args()
# 输入args，修改指定参数输入
DMTrainer(args=args, dataset_path="/你/的/数/据/集").train()

# 方法三
DMTrainer(
    conditional=True, sample="ddpm", dataset_path="/你/的/数/据/集/路/径/",
    network="unet", epochs=300, image_size=64, result_path="/你/的/保/存/路/径/",
    vis=True, # 任意参数...
).train()

2.3 分布式训练

2.3.1 命令训练

基本配置与普通训练相似，值得注意的是开启分布式训练需要设置--distributed。为了防止随意设置分布式训练，我们为开启分布式训练设置了几个基本条件，例如args.distributed、torch.cuda.device_count() > 1和torch.cuda.is_available()。
设置必要的参数，例如--main_gpu和--world_size。--main_gpu通常设置为主要GPU，例如做验证、做测试或保存权重，我们仅在单卡中运行即可。而world_size的值会与实际使用的GPU数量或分布式节点数量相对应。

我们有两种参数设置方法，其一是直接对train.py文件if __name__ == "__main__":中的parser进行设置；其二是在控制台在/your/path/Defect-Diffiusion-Model/tools路径下输入以下命令：

有条件训练命令

python train.py --sample ddpm --conditional --run_name df --epochs 300 --batch_size 16 --image_size 64  --dataset_path /your/dataset/path --result_path /your/save/path --distributed --main_gpu 0 --world_size 2

无条件训练命令

python train.py --sample ddpm --run_name df --epochs 300 --batch_size 16 --image_size 64 --dataset_path /your/dataset/path --result_path /your/save/path --distributed --main_gpu 0 --world_size 2

等待训练即可，中断恢复同基本训练一致。

2.3.2 Python脚本训练

from torch import multiprocessing as mp
from model.trainers.dm import DMTrainer
from tools.train import init_train_args

# 方法一
# 初始化参数
args = init_train_args()
gpus = torch.cuda.device_count()
# 自定义你的参数，也可以进入init_train_args方法配置
setattr(args, "distributed", True)  # 开启分布式训练
setattr(args, "world_size", 2)  # 训练结点个数
setattr(args, "conditional", True) # True为条件训练，False为非条件训练
setattr(args, "sample", "ddpm") # 采样器
setattr(args, "network", "unet") # 深度学习网络
setattr(args, "epochs", 300) # 迭代次数
setattr(args, "image_size", 64) # 图像大小
setattr(args, "dataset_path", "/你/的/数/据/集/路/径/") # 数据集保存路径
setattr(args, "result_path", "/你/的/保/存/路/径/") # 结果保存路径
setattr(args, "vis", True) # 开启可视化
# ...
# 或者使用args["参数名称"] = "你的设置"
# 开启训练
mp.spawn(DMTrainer(args=args).train, nprocs=gpus)

# 方法二
args = init_train_args()
# 输入args，修改指定参数输入
mp.spawn(DMTrainer(args=args, dataset_path="/你/的/数/据/集").train, nprocs=gpus)

# 方法三
mp.spawn(DMTrainer(
    conditional=True, sample="ddpm", dataset_path="/你/的/数/据/集/路/径/",
    network="unet", epochs=300, image_size=64, result_path="/你/的/保/存/路/径/",
    vis=True, # 任意参数...
).train, nprocs=gpus)

2.4 模型库

注意：模型库将持续更新预训练模型。

2.4.1 扩散模型预训练模型

模型名称	是否条件训练	数据集	模型大小	下载链接
`celebahq-120-weight.pt`	✓	CelebA-HQ	120×120	模型下载
`animate-ganyu-120-weight.pt`	✓	Animate-ganyu	120×120	模型下载
`neu-120-weight.pt`	✓	NEU-DET	120×120	模型下载
`neu-cls-64-weight.pt`	✓	NEU-CLS	64×64	模型下载
`cifar-64-weight.pt`	✓	Cifar-10	64×64	模型下载
`animate-face-64-weight.pt`	✓	Animate-face	64×64	模型下载

2.4.2 超分辨率预训练模型

很快就来:-)

2.5 训练参数

参数讲解

参数名称	条件参数	参数使用方法	参数类型	参数解释
--seed		初始化种子	int	设置初始化种子，可复现网络生成的图片
--conditional		开启条件训练	bool	若开启可修改自定义配置，例如修改类别、classifier-free guidance插值权重
--sample		采样方式	str	设置采样器类别，当前支持ddpm，ddim
--network		训练网络	str	设置训练网络，当前支持UNet，CSPDarkUNet
--run_name		文件名称	str	初始化模型的文件名称，用于设置保存信息
--epochs		总迭代次数	int	训练总迭代次数
--batch_size		训练批次	int	训练批次大小
--num_workers		加载进程数量	int	用于数据加载的子进程数量，大量占用CPU和内存，但可以加快训练速度
--image_size		输入图像大小	int	输入图像大小，自适应输入输出尺寸
--dataset_path		数据集路径	str	有条件数据集，例如cifar10，每个类别一个文件夹，路径为主文件夹；无条件数据集，所有图放在一个文件夹，路径为图片文件夹
--amp		混合精度训练	bool	开启混合精度训练，有效减少显存使用，但无法保证训练精度和训练结果
--optim		优化器	str	优化器选择，目前支持adam和adamw
--loss		损失函数	str	损失函数选择，目前支持MSELoss、L1Loss、HuberLoss和moothL1Loss
--act		激活函数	str	激活函数选择，目前支持gelu、silu、relu、relu6和lrelu
--lr		学习率	float	初始化学习率
--lr_func		学习率方法	str	设置学习率方法，当前支持linear、cosine和warmup_cosine
--result_path		保存路径	str	保存路径
--save_model_interval		是否在训练中储存	bool	是否在训练中储存，根据可视化生成样本信息筛选模型，如果为False，则只保存最后一个模型
--save_model_interval_epochs		保存模型周期	int	保存模型间隔并每 X 周期保存一个模型
--start_model_interval		设置开始每次训练存储编号	int	设置开始每次训练存储的epoch编号，该设置可节约磁盘空间，若不设置默认-1，若设置则从第epoch时开始保存每次训练pt文件，需要与--save_model_interval同时开启
--vis		可视化数据集信息	bool	打开可视化数据集信息，根据可视化生成样本信息筛选模型
--num_vis		生成的可视化图像数量	int	生成的可视化图像数量。如果不填写，则默认生成图片个数为数据集类别的个数
--image_format		生成图片格式	str	在训练中生成图片格式，默认为png
--noise_schedule		加噪方法	str	该方法是模型噪声添加方法
--resume		中断恢复训练	bool	恢复训练将设置为“True”。注意：设置异常中断的epoch编号若在--start_model_interval参数条件外，则不生效。例如开始保存模型时间为100，中断编号为50，由于我们没有保存模型，所以无法设置任意加载epoch点。每次训练我们都会保存xxx_last.pt文件，所以我们需要使用最后一次保存的模型进行中断训练
--start_epoch		中断迭代编号	int	设置异常中断的epoch编号，模型会自动加载当前编号的检查点
--pretrain		预训练模型训练	bool	设置是否启用加载预训练模型训练
--pretrain_path		预训练模型路径	str	预训练模型加载地址
--use_gpu		设置运行指定的GPU	int	一般训练中设置指定的运行GPU，输入为GPU的编号
--distributed		分布式训练	bool	开启分布式训练
--main_gpu		分布式训练主显卡	int	设置分布式中主显卡
--world_size		分布式训练的节点等级	int	分布式训练的节点等级， world_size的值会与实际使用的GPU数量或分布式节点数量相对应
--num_classes	是	类别个数	int	类别个数，用于区分类别（1.1.4版本后的模型可不用设置）
--cfg_scale	是	classifier-free guidance插值权重	int	classifier-free guidance插值权重，用户更好生成模型效果

3 生成

3.1 开始你的第一个生成

3.1.1 命令生成

打开generate.py文件，找到--weight_path参数，将参数中的路径修改为模型权重路径，例如/your/path/weight/model.pt
设置必要参数，例如--conditional，--generate_name，--num_images，--num_classes（1.1.4版本后的模型可不用设置），--class_name，--image_size，--result_path等参数，若不设置参数则使用默认设置。我们有两种参数设置方法，其一是直接对generate.py文件if __name__ == "__main__":中的parser进行设置；其二是在控制台在/your/path/Defect-Diffiusion-Model/tools路径下输入以下命令：
有条件生成命令（1.1.1版本以上）
```
python generate.py --generate_name df --num_images 8 --class_name 0 --image_size 64 --weight_path /your/path/weight/model.pt --sample ddpm
```
无条件生成命令（1.1.1版本以上）
```
python generate.py --generate_name df --num_images 8 --image_size 64 --weight_path /your/path/weight/model.pt --sample ddpm
```
有条件生成命令（1.1.1版本及以下）
```
python generate.py --conditional --generate_name df --num_images 8 --class_name 0 --image_size 64 --weight_path /your/path/weight/model.pt --sample ddpm --network unet --act gelu 
```
无条件生成命令（1.1.1版本及以下）
```
python generate.py --generate_name df --num_images 8 --image_size 64 --weight_path /your/path/weight/model.pt --sample ddpm --network unet --act gelu 
```
等待生成即可

3.1.2 Python脚本生成

from tools.generate import Generator, init_generate_args

# 初始化生成参数，也可以进入init_generate_args方法配置
args = init_generate_args()
# 自定义你的参数
args["weight_path"] = "/你/的/模/型/路/径/model.pt"
args["result_path"] = "/你/的/保/存/路/径/"
# ...
# args["参数名称"] = "你的设置"
gen_model = Generator(gen_args=args, deploy=False)
# 生成数量
num_images = 2
for i in range(num_images):
    gen_model.generate(index=i)

3.2 生成参数

参数讲解

参数名称	条件参数	参数使用方法	参数类型	参数解释
--conditional		开启条件生成	bool	若开启可修改自定义配置，例如修改类别、classifier-free guidance插值权重
--generate_name		文件名称	str	初始化模型的文件名称，用于设置保存信息
--image_size		输入图像大小	int	输入图像大小，自适应输入输出尺寸。如果输入为-1并且开启条件生成为真，则模型为每类输出一张图片
--image_format		生成图片格式	str	生成图片格式，jpg/png/jpeg等。推荐使用png获取更好的生产质量
--num_images		生成图片个数	int	单次生成图片个数
--weight_path		权重路径	str	模型权重路径，网络生成需要加载文件
--result_path		保存路径	str	保存路径
--use_gpu		设置运行指定的GPU	int	生成中设置指定的运行GPU，输入为GPU的编号
--sample		采样方式	str	设置采样器类别，当前支持ddpm，ddim（1.1.1版本后的模型可不用设置）
--network		训练网络	str	设置训练网络，当前支持UNet，CSPDarkUNet（1.1.1版本后的模型可不用设置）
--act		激活函数	str	激活函数选择，目前支持gelu、silu、relu、relu6和lrelu。如果不选择，会产生马赛克现象（1.1.1版本后的模型可不用设置）
--num_classes	是	类别个数	int	类别个数，用于区分类别（1.1.4版本后的模型可不用设置）
--class_name	是	类别名称	int	类别序号，用于对指定类别生成。如果输入为-1，则模型为每类输出一张图片
--cfg_scale	是	classifier-free guidance插值权重	int	classifier-free guidance插值权重，用户更好生成模型效果

4 结果

我们在以下5个数据集做了训练，开启conditional，采样器为DDPM，图片尺寸均为64*64，激活函数为gelu，学习率为3e-4，采用线性学习方法，迭代次数为300，分别是cifar10，NEU-DET，NRSD-MN，WOOD和Animate face。结果如下图所示：

4.1 cifar10数据集

4.2 NEU-DET数据集

4.3 NRSD数据集

4.4 WOOD数据集

4.5 Animate face数据集（整活生成）

4.6 基于64×64模型生成160×160（任意大尺寸）图像（仅限工业表面缺陷生成）

当然，我们根据64×64的基础模型，在generate.py文件中生成160×160的NEU-DET图片（单张输出，每张图片占用显存21GB）。请注意这个[issue]：如果是缺陷纹理那种图片，特征物不明显的直接生成大尺寸就不会有这些问题，例如NRSD、NEU数据集。如果是含有背景有特定明显特征的则需要超分或者resize提升尺寸，例如Cifar10、CelebA-HQ等。如果实在需要大尺寸图像，在显存足够的情况下直接训练大像素图片。详细图片如下：

5 评估

5.1 开始你的第一个评估

数据准备阶段，使用generate.py生成数据集，数据集生成量应该与训练集的数量、尺寸相似（注意：评估时所需要的训练集应为进行了resize后的结果，即为训练时的image_size大小。例如，训练集的路径为/your/path/datasets/landscape，图片尺寸为256；生成集的路径为/your/path/generate/landscape，尺寸为64，使用resize方法将训练集路径中的图片转为64，此时新的评估用训练集路径为/your/new/path/datasets/landscape）。
打开FID_calculator.py或FID_calculator_plus.py文件进行评估。FID_calculator.py为简单评估；FID_calculator_plus.py为自定义评估，可设置多种参数。
若打开文件为FID_calculator.py，设置generated_image_folder为/your/path/generate/landscape，dataset_image_folder为/your/new/path/datasets/landscape，右键运行即可。
若打开文件为FID_calculator_plus.py，设置必要参数，例如path，--batch_size，--num-workers，--dims，--save_stats，--use_gpu参数，若不设置参数则使用默认设置。我们有两种参数设置方法，其一是直接对FID_calculator_plus.py文件if __name__ == "__main__":中的parser进行设置；其二是在控制台在/your/path/Defect-Diffiusion-Model/tools路径下输入以下命令：

仅进行评估操作
```
python FID_calculator_plus.py /your/path/generate/landscape /your/new/path/datasets/landscape --batch_size 8 --num-workers 2 --dims 2048 --use_gpu 0
```
生成npz存档（一般用不到）
```
python FID_calculator_plus.py /your/input/path /your/output/path --save_stats
```

5.2 评估参数

参数名称	参数使用方法	参数类型	参数解释
path	路径	str	输入2个路径，评估模式下为生成集路径和训练集路径；npz模式下为输入路径和输出路径
--batch_size	训练批次	int	训练批次大小
--num_workers	加载进程数量	int	用于数据加载的子进程数量，大量占用CPU和内存，但可以加快训练速度
--dims	维度	int	要使用的 Inception 功能的维度
--save_stats	保存存档	bool	从样本目录生成 npz 存档
--use_gpu	设置运行指定的GPU	int	一般训练中设置指定的运行GPU，输入为GPU的编号

6 关于引用

如果在学术论文中使用该项目进行实验，在可能的情况下，请适当引用我们的项目，为此我们表示感谢。具体引用格式可访问此网站。

@software{chen_2024_10866128,
  author       = {Chen Yu},
  title        = {IDDM: Integrated Design Diffusion Model},
  month        = mar,
  year         = 2024,
  publisher    = {Zenodo},
  doi          = {10.5281/zenodo.10866128},
  url          = {https://doi.org/10.5281/zenodo.10866128}
}

引用详情可以参考此处：

7 致谢

人员：

@dome272

组织：

@JetBrains

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README_zh.md

README_zh.md

IDDM：集成设计扩散模型

0 关于模型

1 接下来要做

2 训练

2.1 开始你的第一个训练（以cifar10为例，模式单卡）

2.2 普通训练

2.2.1 命令训练

2.2.2 Python脚本训练

2.3 分布式训练

2.3.1 命令训练

2.3.2 Python脚本训练

2.4 模型库

2.4.1 扩散模型预训练模型

2.4.2 超分辨率预训练模型

2.5 训练参数

3 生成

3.1 开始你的第一个生成

3.1.1 命令生成

3.1.2 Python脚本生成

3.2 生成参数

4 结果

4.1 cifar10数据集

4.2 NEU-DET数据集

4.3 NRSD数据集

4.4 WOOD数据集

4.5 Animate face数据集（整活生成）

4.6 基于64×64模型生成160×160（任意大尺寸）图像（仅限工业表面缺陷生成）

5 评估

5.1 开始你的第一个评估

5.2 评估参数

6 关于引用

7 致谢

Files

README_zh.md

Latest commit

History

README_zh.md

File metadata and controls

IDDM：集成设计扩散模型

0 关于模型

1 接下来要做

2 训练

2.1 开始你的第一个训练（以cifar10为例，模式单卡）

2.2 普通训练

2.2.1 命令训练

2.2.2 Python脚本训练

2.3 分布式训练

2.3.1 命令训练

2.3.2 Python脚本训练

2.4 模型库

2.4.1 扩散模型预训练模型

2.4.2 超分辨率预训练模型

2.5 训练参数

3 生成

3.1 开始你的第一个生成

3.1.1 命令生成

3.1.2 Python脚本生成

3.2 生成参数

4 结果

4.1 cifar10数据集

4.2 NEU-DET数据集

4.3 NRSD数据集

4.4 WOOD数据集

4.5 Animate face数据集（整活生成）

4.6 基于64×64模型生成160×160（任意大尺寸）图像（仅限工业表面缺陷生成）

5 评估

5.1 开始你的第一个评估

5.2 评估参数

6 关于引用

7 致谢