扩散模型 diffusion model 怎么入门

你可能在生图工具里天天见「扩散模型」这个词，但一打开论文就被马尔可夫链、变分下界、噪声调度表劝退。这篇不讲公式推导，先把「它到底在干什么」用加噪和去噪两句话说清，再给你一条从跑通现成模型到看懂原理的学习顺序，顺带说清哪些资料值得花时间、哪些是给已经入门的人看的。

你在生图工具里天天刷到「扩散模型」这个词，一打开论文就被马尔可夫链、变分下界、噪声调度表劝退，这很正常。先把结论放前面：它干的事用两句话就能说清——训练时把一张图一步步加噪，直到变成纯随机噪声；同时让模型学会反过来，从噪声一步步倒推回图像。生成的时候，就从一团随机噪声出发，反复去噪，最后得到一张图。

它和识别类模型的区别在于，它学的不是一个标签，而是一整条从噪声回到图像的路径。所以出图要迭代很多次，延迟和算力消耗天然比一次前向的分类模型高，这点在你挑工具、挑硬件、估成本的时候是有实际影响的。下面按「先跑通、再补原理、最后定标准、最后挑资料」的顺序讲一遍。

先用一句话说清它在干什么

把「加噪」和「去噪」这两件事想明白，扩散模型的骨架就清楚了。前向过程是固定的，不需要学，就是往图上不断叠随机噪声；反向过程才是模型真正要学的，它要预测每一步该怎么去掉一点噪声。训练目标说白了就是让预测的去噪方向和真实方向尽量一致。

前向加噪

按固定规则把图像一步步变成噪声，这一步没有可训练参数，只负责造训练数据

反向去噪

模型学习从带噪图像里估出该去掉的噪声，生成时反复调用它

噪声调度

决定每一步加多少噪声、总共加多少步，训练和采样都可能各用一套

条件控制

把文字、边缘、姿态等信号塞进去，影响每一步去噪往哪个方向走

为什么它慢？因为出图不是一次计算完事，而是要迭代几十步，每步都过一次模型。步数、分辨率、是否用条件控制，都会直接影响耗时。具体到某家服务的延迟和价格区间，别记我这里的说法，到 /price-watch 核对当时的数字更靠谱。

零基础的学习顺序：先跑通，再回头补原理

零基础最容易犯的错，是先啃数学再碰代码，结果卡在符号里出不来。建议反过来：先用现成模型把手感建立起来，知道自己每一步在调什么，再回头看原理，理解速度会快很多。

1. 第一步：跑通现成模型选一个能本地或在线跑的扩散模型，完成一次出图。目标是能改提示词、能调步数、能换随机种子，看着结果变化。验证标准：同一个提示词换种子，出图明显不同，说明你确实在控制生成过程。
2. 第二步：只补三块概念前向加噪、反向去噪、噪声调度。不要扩展，先把这三块能用自己的话讲一遍。验证标准：能解释为什么步数增加通常更精细但更慢，而不是越多越好。
3. 第三步：看条件控制搞清楚文字、边缘、姿态这些东西是怎么影响去噪方向的。验证标准：同一条提示词加上不同的控制输入，出图结构发生可预期的变化。
4. 第四步：再回去读原理这时候看论文里的公式，你会发现每个符号对应的是你已经在操作的东西，而不是天书。

什么情况下这套顺序不适用？如果你压根不需要自己搭流程，只是想用工具出图，那你不用懂原理，直接到 /tools 挑顺手的工具就行，硬啃理论是浪费时间。

学到什么程度算够用

入门不是学到某个章节就毕业，而是能用几条标准判断自己够不够用。下面这三条是操作层面的，做不到就说明还没到。三条都过，日常使用和选工具基本不会踩坑。

不适用的地方也要说清楚：这三条只覆盖「用」的层面。如果你想自己训练、微调或者改网络结构，那还得补数学推导和代码能力，那是另一条路，别用这三条来衡量自己够不够。

资料怎么挑，别从最难的那本开始

• 优先选带可运行代码的教程，理论卡住时先看它跑出来什么，再回看解释，理解成本低很多。
• 论文按「综述 → 原始方法 → 你关心的改进方向」的顺序读，一上来读改进版最容易迷路。
• 术语卡住随手查站内词典类页面，别在一个词上耗半小时，很多概念在上下文中自然就懂了。
• 用「有没有覆盖条件控制这类主流做法」判断资料是否过时，只讲最早期版本、完全不提条件控制的可以直接跳过。
• 同一主题别同时开三份教程，选一份跑通再换，来回横跳是最常见的时间黑洞。

挑模型和资料的时候，如果涉及价格、可用性、服务是否靠谱，别凭印象。模型的输入输出限制、当时的报价，到 /models 和 /price-watch 核对当时的数字；如果打算用中转服务，先去 /sites 看可信度信息，再决定要不要接进自己的流程。