denoising-diffusion-pytorch 可以免费使用吗？用的什么许可证？

denoising-diffusion-pytorch 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。

denoising-diffusion-pytorch 还在维护吗？

活跃维护中。denoising-diffusion-pytorch 最近一次提交是在 2026年9月29日。

denoising-diffusion-pytorch 适合用来做什么？

在自定义图片文件夹上训练小型图像生成模型。学习或修改扩散模型的核心训练与采样代码。为一维序列数据原型验证扩散模型。结合 Accelerate 进行多 GPU 扩散模型训练实验。

denoising-diffusion-pytorch 怎么安装和运行？

从 PyPI 安装该包: pip install denoising_diffusion_pytorch 构建模型和扩散对象，然后使用 Trainer 类在图片文件夹上训练开始训练: trainer.train()

在哪里获取 denoising-diffusion-pytorch？

源代码和安装说明在 GitHub 上：https://github.com/lucidrains/denoising-diffusion-pytorch

lucidrains/denoising-diffusion-pytorch

Q: denoising-diffusion-pytorch 是什么？

基于 PyTorch 实现的去噪扩散概率模型，用于训练图像及一维序列生成模型。 本项目是去噪扩散概率模型（DDPM）的 PyTorch 实现。该模型通过学习逆转逐步加噪的过程来生成数据。项目提供 U-Net 主干网络，以及 GaussianDiffusion 类，用于处理前向加噪、训练损失计算和采样生成。

基于 PyTorch 实现的去噪扩散概率模型，用于训练图像及一维序列生成模型。

在 GitHub 查看

Star: 10,710
Fork: 1,283
未关闭 Issue: 169
最近提交: 23天前

这是什么？

本项目是去噪扩散概率模型（DDPM）的 PyTorch 实现。该模型通过学习逆转逐步加噪的过程来生成数据。项目提供 U-Net 主干网络，以及 GaussianDiffusion 类，用于处理前向加噪、训练损失计算和采样生成。

Trainer 类可以直接接收一个图片文件夹，负责数据加载、训练循环、定期保存样本与模型检查点，并可选计算 FID 指标。训练支持 Hugging Face Accelerate 进行多 GPU 训练，也支持混合精度（amp）。采样方面支持 DDIM 方式，以更少的步数加速推理。

项目还包含一维 U-Net 与一维扩散模型，可用于序列数据；XMWrapper 则提供多候选损失计算。该库可通过 PyPI 安装，适合希望研究或改造扩散模型、需要可读性强的参考实现的研究者和开发者。

核心功能

01以 PyTorch 实现 DDPM 的训练目标与采样流程。
02提供可配置的 U-Net 主干网络，并可启用 flash attention。
03Trainer 类负责基于文件夹的图片数据集、检查点保存与样本记录。
04通过 Hugging Face Accelerate 支持多 GPU 训练和混合精度。
05支持 DDIM 方式的少步数采样，并可在训练中计算 FID。
06提供用于序列数据的一维 U-Net 与扩散模型。

适用场景

在自定义图片文件夹上训练小型图像生成模型。
学习或修改扩散模型的核心训练与采样代码。
为一维序列数据原型验证扩散模型。
结合 Accelerate 进行多 GPU 扩散模型训练实验。

快速上手

1
从 PyPI 安装该包
pip install denoising_diffusion_pytorch
2
构建模型和扩散对象，然后使用 Trainer 类在图片文件夹上训练
3
开始训练
trainer.train()

使用前须知

训练真实尺寸的图片需要 GPU 并耗费大量时间（示例使用 700000 步）。

常见问题

denoising-diffusion-pytorch 是什么？: 基于 PyTorch 实现的去噪扩散概率模型，用于训练图像及一维序列生成模型。本项目是去噪扩散概率模型（DDPM）的 PyTorch 实现。该模型通过学习逆转逐步加噪的过程来生成数据。项目提供 U-Net 主干网络，以及 GaussianDiffusion 类，用于处理前向加噪、训练损失计算和采样生成。
denoising-diffusion-pytorch 可以免费使用吗？用的什么许可证？: denoising-diffusion-pytorch 以 MIT 许可证开源。用于商业产品前，请先确认许可证条款。
denoising-diffusion-pytorch 还在维护吗？: 活跃维护中。denoising-diffusion-pytorch 最近一次提交是在 2026年9月29日。
denoising-diffusion-pytorch 适合用来做什么？: 在自定义图片文件夹上训练小型图像生成模型。学习或修改扩散模型的核心训练与采样代码。为一维序列数据原型验证扩散模型。结合 Accelerate 进行多 GPU 扩散模型训练实验。
denoising-diffusion-pytorch 怎么安装和运行？: 从 PyPI 安装该包: pip install denoising_diffusion_pytorch 构建模型和扩散对象，然后使用 Trainer 类在图片文件夹上训练开始训练: trainer.train()
在哪里获取 denoising-diffusion-pytorch？: 源代码和安装说明在 GitHub 上：https://github.com/lucidrains/denoising-diffusion-pytorch

概要由 AI 根据项目 README 生成；GitHub 数据每日更新。