越往后，加的噪声越多，逐渐递增

正常的话，类似RNN，前向传递，不利于模型训练。
如果直接从x0到xt最好，DPPM这篇论文就实现了这一目标

beta这一参数在扩散过程是已知的，前期设计好，从0.0001-0.002，线性衰减，，或者其他衰减，因此，beta1…beta_n肯定是已知的。

前向加噪声 ： 前向可以直接从x0求出来xT

反向去噪声 : 反向不能直接从xT求出来x0
xT已经知道，求XT-1 … 直到求 x0

根据xT求xT-1比较难求，可以根据贝叶斯，由前向过程中的已知条件求解




以上zt不是累乘，公式表示有误
需要求x0，但是在逆过程中x0明显未知，因此，可以使用xt替换x0

有一个参数无法直接求解，
无法直接求解的问题，可以使用近似解，训练一个模型去预测Xt时刻的噪声

loss就是正向过程 加的噪声 和 逆向过程 预测的噪声之间的 某种度量
前向过程提供训练的标签，逆向过程去拟合这个标签

扩散模型为什么要用U-Net？
原始论文从信息论和信息熵的角度讲解的，以上简化了
训练完后如何去使用？

---

2015年提出 - 2020年DALL-E出来才火

推导过程挺复杂的，编写成代码的算法流程-大道至简，
训练的时候，t是随机的，不是训练固定的步骤数目，防止陷入某种规律当中

• 训练过程：
  
• 采样过程