声明：本项目是 huggingface/diffusion-models-class 的中文翻译版。

English Version (英文原版)

---

扩散模型课程

欢迎来到扩散模型课程！

本课程由 Hugging Face 团队的专家们携手打造，旨在：

• 讲解这些模型背后的理论知识。
• 通过使用 diffusers 库以及其他 Hugging Face 生态系统中的工具（如 transformers 和 accelerate），将理论付诸实践。

课程内容

Unit 1: 扩散模型基础

• 01_introduction_to_diffusers.ipynb: 介绍扩散模型的基本概念和 diffusers 库的核心组件。你将训练一个简单的扩散模型来生成蝴蝶图像，并学习如何使用 scheduler 向数据添加噪声、创建并训练 UNet 模型，以及将各个部分组合成一个可运行的 pipeline。

• 02_diffusion_models_from_scratch.ipynb: 从零开始实现一个简化版的扩散模型，深入理解其工作原理。本笔记将讨论破坏过程（向数据逐步注入噪声）、UNet 的概念及其实现、扩散模型训练以及采样理论，并与 diffusers 库中的 DDPM 实现进行比较。

Unit 2: 扩散模型进阶技术

• 01_finetuning_and_guidance.ipynb: 介绍两种调整已有扩散模型的方法：微调（在新数据上重新训练现有模型）和引导（在推断阶段对生成过程进行引导）。你将学习如何编写采样循环、使用新的调度器更快地生成样本，以及通过附加损失函数来引导采样过程。

• 02_class_conditioned_diffusion_model_example.ipynb: 演示如何构建类别条件扩散模型。在这个示例中，你将在 MNIST 数据集上训练一个模型，使其能够根据指定的数字类别生成相应的图像。

Unit 3: Stable Diffusion 模型

• 01_stable_diffusion_introduction.ipynb: 介绍如何利用现有的 Stable Diffusion pipeline 来生成和修改图像，并了解管线中的关键组件。内容包括使用 StableDiffusionPipeline 根据文本生成图像、探索 pipeline 中的核心组件（VAE、tokenizer、text encoder、UNet 和不同的 scheduler），以及使用 Img2Img、修复（Inpainting）和 Depth2Img 等高级编辑功能。

• 02_dreambooth.ipynb: 介绍 DreamBooth 技术，这是一种强大的个性化微调方法，允许你使用少量（3-5张）特定主体的图像来训练 Stable Diffusion 模型，使其能够在各种场景和姿势中生成该主体的新图像。本笔记本将指导你如何使用 diffusers 库实现 DreamBooth 微调，包括准备训练数据、设置训练参数、以及如何在微调过程中保留模型的先验知识。

• 03_stable_diffusion_deep_dive.ipynb: 深入剖析 Stable Diffusion 模型的内部工作原理。本笔记本将拆解 Stable Diffusion pipeline 的简洁接口，详细解释其背后的代码实现，逐一检视不同组件（如 VAE、UNet、文本编码器等）的职责与作用，帮助你理解整个生成过程，并学习如何根据需求自定义和调整模型行为。