很多次翻看DDPM，始终不太能理解论文中提到的\(\text{Variational Inference}\)到底是如何在这个工作中起到作用。五一假期在家，无意间又刷到徐亦达老师早些年录制的理论视频，没想到其中也有介绍这部分的内容。老师的上课方式总是娓娓道来，把每一步都讲解得很仔细。本文记录一下个人对开头问题的思考。

Background

如果需要简略地介绍一下DDPM这个工作，可能会用以下几句话简单地描述：DDPM以Markov的形式对数据（图片）“扩散过程”建模，使用神经网络进行训练拟合，学习数据的概率分布。

所以对于生成任务来说，希望从给定数据中学习到的是数据的潜在信息。比如图片生成，在给定一些图片后，模型学习到的是“正常图片长什么样子”，如：

1. 一张包含手机正面的图片会有【手机屏幕】；
2. 一张包含猫咪的图片会有人们观察到的猫咪模样；
3. ...

对于图片中每个像素点和附近的像素点，进行“合理”布局，才能生成“符合人们认知的图片”。

图片生成能像常见的机器学习任务如分类任务、回归任务，能基于maximize likelihood的形式来训练么？

结论是很难，先回顾如何做maximum likelihood。给定一批数据，首先需要假定数据服从的分布，接着写出似然函数，之后直接通过解析解的形式或是梯度下降的形式，求出分布。

问题就出在假定分布这一步，没有人知道图片客观上服从什么分布。那如果使用神经网络直接拟合可以么？这好像也不现实，拿一张512*512*3的图片来说，网络输出层共有约75w的数值。

对于图片生成还有另外一个问题，世界上的图片太多了，目之所及稍做处理，皆为图片。即便使用神经网络能拟合，最后生成的图片很难存在多样性。

那目前图片生成模型都是怎么做的，比如VAE或是本文即将要介绍的Diffusion Model，它们学习的都是数据分布\(p(x)\)，但直接求\(p(x)\)这么麻烦，需要怎么做？这其实也是\(\text{Variational Inference}\)的核心思想，“曲线救国”，通过引入其它分布，将原本难以优化的问题转变为可优化问题。

ELOB

先把上述提到的所有背景先抛开，研究一下\(p(x)\)，看看能得到什么有意思的结论。

a. 基于条件概率分布，引入新的随机变量\(z\)：\(p(x) = \frac{p(x, z)}{p(z\mid x)}\)；

b. 对于两边同时取\(\ln\)，等式依然成立，因此有：\(\ln{p(x)} = \ln{\frac{p(x, z)}{p(z \mid x)}}\)；

c. 右边分子分母同乘以\(q(z)\)：\(\ln{p(x)} = \ln{\frac{p(x, z) * q(z)}{p(z \mid x) * q(z)}} = \ln{\left(\frac{p(x, z)}{q(z)} * \frac{q(z)}{p(z \mid x)}\right)} = \ln{\frac{p(x, z)}{q(z)}} + \ln{\frac{q(z)}{p(z \mid x)}}\)

d. 再次，对于上式左右两边求关于\(q(z)\)的期望，等式依然成立：

一系列变换后，\((1)\)式是最后的推导结果，等式右边由两个项组成。第二个项\(\int_z q(z)\ln{\frac{q(z)}{p(z \mid x)}}dz\)，叫做KL散度，它被用来衡量两个分布之间的“距离”，性质是值不小于0。

这样一来，通过\((1)\)可以得到不等式\((2)\)：

\((1)\)式右边的第一项，同时也是\((2)\)式的右边项，被学者们叫做\(\text{ELBO(Evidence Lower Bound)}\)。

Objective Function

上述推导的\((2)\)式可以被视作“定理”一般的存在，即对于某个分布的对数形式，总可以找到它的下界。

那\((2)\)式可以用来做什么？在Background中提到，图片生成任务中的\(p(x)\)想要对它做maximum likelihood根本无法做起。目标依然是最大化\(p(x)\)，但有了\((2)\)式，求解的目标可以转移到最大化它的下界\(\text{ELBO}\)。

这也是论文中提到的：

This paper presents progress in diffusion probabilistic models. A diffusion probabilistic model (which we will call a “diffusion model” for brevity) is a parameterized Markov chain trained using variational inference to produce samples matching the data after finite time.

接下来，回到论文中，看看是如何一步步推导出DDPM的优化目标。\((3)\)式直接摘录于论文：

下面一项项地对\((3)\) 进行拆解，并且将它与\((2)\)比对，能帮助更好地理解：

1. \((3)\)不等号左边的\(\mathbb{E}\left[-\log p_\theta\left(\mathbf{x}_0\right)\right]\)进一步化简就是\(-\log p_\theta\left(\mathbf{x}_0\right)\)。其中，\(p_\theta\left(\mathbf{x}_0\right)\)便是模型要学习的最终目标：图像的分布，\(\theta\)是模型的参数，\(\mathbf{x}_0\)是图片；

2. \((2)\)式的左右两边同时加上符号，\(\geq\)变为\(\leq\)；

3. 看\((3)\)不等式右边部分，\(\mathbb{E}_q\left[-\log \frac{p_\theta\left(\mathbf{x}_{0: T}\right)}{q\left(\mathbf{x}_{1: T} \mid \mathbf{x}_0\right)}\right]\)

   1. 很明显，\(q(\mathbf{x}_{1:T} \mid \mathbf{x}_0)\)相当于\((2)\)中引入的额外分布\(q(z)\)。对于\(z\)，在生成模型中会给它一个称呼：隐变量\((\text{latent})\)。实际上，在diffusion models里，对\(\mathbf{x}_0\)加噪后的\(\mathbf{x}_1,\mathbf{x}_2,\ldots, \mathbf{x}_T\)就可以看作隐变量，那不妨记作\(z := \{\mathbf{x}_1,\mathbf{x}_2,\ldots, \mathbf{x}_T\}\)；

   2. \(p_\theta\left(\mathbf{x}_{0: T}\right) = p_\theta\left(\mathbf{x}_{0}, \mathbf{x}_{1}, \ldots, \mathbf{x}_{T}\right)\)，是关于\(\mathbf{x}_0, z\)的联合概率分布，因为选用马尔代夫链建模，那么依据马尔可夫链的性质，论文定义：

3. 将\((4)\)带入\((3)\)不等式右边的第一项，得到\(L\)：

到目前为止，经过了很多轮的变换以及数学公式，先捋一遍，再往下。\(L\)是一个替代的优化目标，

接下来，论文中对\(L\)进行了重写，以下步骤直接摘录自论文\(\text{Appendix A}\)

倒数两步的变换发生在第二项，具体依据为：

接着对\((5)\)进行改写得到最终形式\((6)\)：

Summary

太好了，对于\((6)\)来说，它最起码是个可以优化的目标函数了，因为论文中定义马尔可夫链相邻状态的转变是服从高斯分布的。当然在论文中，\((6)\)还会进一步被改写，得到更加精简的\(\text{loss function}\)形式。
DDPM是应用\(\text{variational inference}\)进行优化求解的典型例子，很值得借鉴学习。

Reference

• Variational Inference Basic, Xu, R.Y.D
• Denoising Diffusion Probabilistic Models