1、去噪概率模型（Denoising Probabilistic Models）
去噪概率模型（Denoising Probabilistic Models）是一类通过学习数据的潜在分布来去除噪声的生成模型。其核心思想是，在有噪声的数据中，模型通过条件概率学习输入数据与噪声之间的关系，从而能够生成去噪后的数据。
去噪概率模型的基本步骤
- 数据准备：将原始数据添加噪声，构造带噪声的样本。
- 模型训练：使用带噪声的样本来训练模型，目标是最大化去噪后的样本的概率。
- 去噪过程：给定带噪声的样本，模型生成去噪后的样本。
PyTorch 示例代码
以下是一个简单的去噪自编码器的示例，使用PyTorch实现：
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader
import os
# 定义去噪自编码器
class DenoisingAutoencoder(nn.Module):
def __init__(self):
super(DenoisingAutoencoder, self).__init__()
self.encoder = nn.Sequential(
nn.Linear(784, 256),
nn.ReLU(),
nn.Linear(256, 64),
nn.ReLU(),
)
self.decoder = nn.Sequential(
nn.Linear(64, 256),
nn.ReLU(),
nn.Linear(256, 784),
nn.Sigmoid(),
)
def forward(self, x):
encoded = self.encoder(x)
decoded = self.decoder(encoded)
return decoded
# 定义 MNIST 数据集类
class MNISTDataset(Dataset):
def __init__(self, images_path, labels_path, transform=None):
self.images = self.load_images(images_path)
self.labels = self.load_labels(labels_path)
self.transform = transform
def load_images(self, path):
with open(path, 'rb') as f:
f.read(16) # 跳过前16个字节
images = np.frombuffer(f.read(), np.uint8).reshape(-1, 1, 28, 28)
return torch.tensor(images, dtype=torch.float32).view(-1, 784) # Flatten images
def load_labels(self, path):
with open(path, 'rb') as f:
f.read(8) # 跳过前8个字节
labels = np.frombuffer(f.read(), np.uint8)
return labels
def __len__(self):
return len(self.labels)
def __getitem__(self, idx):
image = self.images[idx]
label = self.labels[idx]
if self.transform:
image = self.transform(image)
return image, label
# 数据准备
data_root = r'./MNIST'
train_dataset = MNISTDataset(
images_path=os.path.join(data_root, 'train-images-idx3-ubyte'),
labels_path=os.path.join(data_root, 'train-labels-idx1-ubyte')
)
test_dataset = MNISTDataset(
images_path=os.path.join(data_root, 't10k-images-idx3-ubyte'),
labels_path=os.path.join(data_root, 't10k-labels-idx1-ubyte')
)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
# 模型、损失函数和优化器
model = DenoisingAutoencoder()
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 可视化函数
def show_images(original, noisy, denoised):
plt.figure(figsize=(12, 4))
plt.subplot(1, 3, 1)
plt.title("Original")
plt.imshow(original.view(28, 28).detach().numpy(), cmap='gray')
plt.subplot(1, 3, 2)
plt.title("Noisy")
plt.imshow(noisy.view(28, 28).detach().numpy(), cmap='gray')
plt.subplot(1, 3, 3)
plt.title("Denoised")
plt.imshow(denoised.view(28, 28).detach().numpy(), cmap='gray')
plt.show()
# 训练模型
for epoch in range(5):
for data, _ in train_loader:
optimizer.zero_grad()
noisy_data = data + 0.5 * torch.randn_like(data) # 添加噪声
noisy_data = torch.clamp(noisy_data, 0., 1.)
output = model(noisy_data)
loss = criterion(output, noisy_data)
loss.backward()
optimizer.step()
print(f'Epoch {epoch + 1}, Loss: {loss.item()}')
# 可视化原始、带噪声和去噪后的图片
test_data, _ = next(iter(train_loader))
noisy_test_data = test_data + 0.5 * torch.randn_like(test_data)
noisy_test_data = torch.clamp(noisy_test_data, 0., 1.)
denoised_output = model(noisy_test_data)
# 显示图像
show_images(test_data[0], noisy_test_data[0], denoised_output[0])
输出
Epoch 1, Loss: 0.08383525162935257
Epoch 2, Loss: 0.07632550597190857
Epoch 3, Loss: 0.07644318789243698
Epoch 4, Loss: 0.07475438714027405
Epoch 5, Loss: 0.0726914331316948
说明
- 去噪自编码器：该模型包括编码器和解码器。编码器将输入数据压缩到低维表示，解码器将其还原为原始数据。
- 数据处理：在数据准备阶段，随机噪声被添加到原始数据中。
- 训练过程：模型通过最小化重建误差（均方误差）来学习去噪。
这个示例展示了如何使用PyTorch实现基本的去噪概率模型。
2、去噪扩散概率模型
去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM）是一种生成模型，通过逐步去噪从随机噪声中生成高质量数据。其核心思想是模拟一个正向过程，在这个过程中，数据被逐渐添加噪声，并训练一个反向过程，从噪声逐渐恢复数据。
关键步骤
- 正向过程：逐步向数据中添加噪声，直到它变得接近标准正态分布。（扩散）
- 反向过程：通过神经网络学习如何去噪，从而从随机噪声恢复到原始数据分布。（去噪）
- 训练：使用一个变分下界（VLB）来优化模型。
PyTorch 示例
以下是一个简化的去噪扩散概率模型的示例代码框架：
import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt
from torch.utils.data import Dataset, DataLoader
import os
import numpy as np
# 定义 U-Net 网络
class UNet(nn.Module):
def __init__(self):
super(UNet, self).__init__()
self.encoder1 = nn.Conv2d(1, 64, kernel_size=3, padding=1)
self.encoder2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
self.pool = nn.MaxPool2d(2, 2)
self.decoder1 = nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2)
self.decoder2 = nn.Conv2d(64, 1, kernel_size=3, padding=1)
def forward(self, x):
enc1 = torch.relu(self.encoder1(x))
enc2 = torch.relu(self.encoder2(self.pool(enc1)))
dec1 = self.decoder1(enc2)
dec2 = self.decoder2(dec1 + enc1) # Skip connection
return torch.sigmoid(dec2)
# 噪声调度函数
def noise_schedule(t):
return torch.minimum(torch.tensor(1.0).cuda(), t.float().view(-1, 1, 1, 1) / 1000) # 变换为形状 (batch_size, 1, 1, 1)
class MNISTDataset(Dataset):
def __init__(self, images_path, labels_path, transform=None):
self.images = self.load_images(images_path)
self.labels = self.load_labels(labels_path)
self.transform = transform
def load_images(self, path):
with open(path, 'rb') as f:
f.read(16) # 跳过前16个字节
images = np.frombuffer(f.read(), np.uint8).reshape(-1, 1, 28, 28)
return torch.tensor(images, dtype=torch.float32) # 保持原形状 (batch_size, 1, 28, 28)
def load_labels(self, path):
with open(path, 'rb') as f:
f.read(8) # 跳过前8个字节
labels = np.frombuffer(f.read(), np.uint8)
return labels
def __len__(self):
return len(self.labels)
def __getitem__(self, idx):
image = self.images[idx]
label = self.labels[idx]
if self.transform:
image = self.transform(image)
return image, label
# 数据准备
data_root = r'./MNIST'
train_dataset = MNISTDataset(
images_path=os.path.join(data_root, 'train-images-idx3-ubyte'),
labels_path=os.path.join(data_root, 'train-labels-idx1-ubyte')
)
test_dataset = MNISTDataset(
images_path=os.path.join(data_root, 't10k-images-idx3-ubyte'),
labels_path=os.path.join(data_root, 't10k-labels-idx1-ubyte')
)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
# 模型、损失函数和优化器
model = UNet().cuda() # 使用GPU
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()
# 训练过程
num_epochs = 5
for epoch in range(num_epochs):
for images, _ in train_loader:
images = images.cuda() # 使用GPU
optimizer.zero_grad()
# 添加噪声
t = torch.randint(0, 1000, (images.size(0),)).cuda() # 随机时间步
noise = torch.randn_like(images).cuda()
noisy_images = images + noise_schedule(t) * noise # 使用正确的噪声调度
# 模型输出
predicted_noise = model(noisy_images)
# 计算损失
loss = criterion(predicted_noise, noise)
loss.backward()
optimizer.step()
print(f'Epoch {epoch + 1}, Loss: {loss.item()}')
# 可视化结果
test_image, _ = next(iter(train_loader))
test_image = test_image.cuda() # 使用GPU
with torch.no_grad():
noisy_test_image = test_image + torch.randn_like(test_image).cuda() # 加入随机噪声
predicted_noise = model(noisy_test_image)
# 显示原始、带噪声和去噪后的图像
def show_images(original, noisy, denoised):
plt.figure(figsize=(12, 4))
plt.subplot(1, 3, 1)
plt.title("Original")
plt.imshow(original[0].squeeze(0).cpu().numpy(), cmap='gray')
plt.subplot(1, 3, 2)
plt.title("Noisy")
plt.imshow(noisy[0].squeeze(0).cpu().numpy(), cmap='gray')
plt.subplot(1, 3, 3)
plt.title("Denoised")
plt.imshow(denoised[0].squeeze(0).cpu().numpy(), cmap='gray')
plt.show()
show_images(test_image, noisy_test_image, predicted_noise)
输出
Epoch 1, Loss: 0.7177927494049072
Epoch 2, Loss: 0.7039206027984619
Epoch 3, Loss: 0.7078389525413513
Epoch 4, Loss: 0.712163507938385
Epoch 5, Loss: 0.6767022013664246
效果不太好的样子…
说明
- UNet：这是一个简单的网络结构，可以替换为更复杂的模型。
- 噪声调度：这里示例的噪声调度非常简单，实际应用中可以更复杂。
- 训练过程：每个 epoch 中生成带噪声的图像，并优化模型以预测噪声。
如果需要更复杂的模型或其他类型的去噪方法，可以进一步探索变分自编码器（VAE）、生成对抗网络（GAN）等。
![HTB：Base[WriteUP]](https://i-blog.csdnimg.cn/direct/f6f6bedc2f1946818609868038d63b2a.png)
![[SQL] 安装](https://i-blog.csdnimg.cn/direct/57f5f668450c4ec791d245c95678d910.png)
