生成扩散模型漫谈：构建ODE的一般步骤（上）

©PaperWeekly 原创 · 作者 | 苏剑林

单位 | 追一科技

研究方向 | NLP、神经网络

书接上文，在《生成扩散模型漫谈：从万有引力到扩散模型》中，我们介绍了一个由万有引力启发的、几何意义非常清晰的 ODE 式生成扩散模型。有的读者看了之后就疑问：似乎“万有引力”并不是唯一的选择，其他形式的力是否可以由同样的物理绘景构建扩散模型？另一方面，该模型在物理上确实很直观，但还欠缺从数学上证明最后确实能学习到数据分布。

本文就尝试从数学角度比较精确地回答“什么样的力场适合构建 ODE 式生成扩散模型”这个问题。

基础结论

要回答这个问题，需要用到在《生成扩散模型漫谈：“硬刚”扩散ODE》中我们推导过的一个关于常微分方程对应的分布变化的结论。

考虑 的一阶（常）微分方程（组）

它描述了从 到 的一个（可逆）变换，如果 是一个随机变量，那么整个过程中的 也都是随机变量，它的分布变化规律，可以由如下方程描述

该结果可以按照《生成扩散模型漫谈：“硬刚”扩散 ODE》的格式用“雅可比行列式+泰勒近似”的方式推导，也可以像《生成扩散模型漫谈：一般框架之ODE篇》一样先推导完整的“Fokker-Planck方程”，然后让 。顺便一提，方程（2）在物理上非常出名，它被称为“连续性方程” [1]，是各种守恒定律的体现之一。

回到扩散模型，扩散模型想要做的事情，是构造一个变换，能够将简单分布的样本变换成目标分布的样本。而利用式（2），理论上我们可以通过给定的 来可以求出可行的 ，继而利用式（1）完成生成过程。注意，式（2）只是一个方程，但是要求解的 有 个分量，所以这是一个不定方程，原则上来说我们可以任意指定完整的 （而不单单是 两个边界）来求解 。

所以从理论上来说，构建 ODE 式扩散模型只是求解一个非常轻松的几乎没约束的不定方程。确实如此，但问题是这样求出来的解在实践上会有困难，说白了就是代码上不好实现。因此，问题的准确提法是如何从式（2）中求出更实用的解。

简化方程

留意到，式（2）可以改写成

如上式所示，我们刚好可以当成 维的梯度  正好可以组成了一个 的向量 ，所以（2）可以写成简单的散度方程

在此形式之下有

其中 、 分别代表 的第一维分量和后 维分量。当然，不能忘了约束条件

其中 是数据分布，即要生成的目标样本分布。对于 时的终值分布，我们对它的要求只是尽可能简单，方便采样，除此之外没有定量要求，因此这里暂时不用写出。

格林函数

经过这样的形式变换后，我们可以将 看成一个 维的向量场，而微分方程（5）正好描述的是质点沿着场线运动的轨迹，这样就跟《生成扩散模型漫谈：从万有引力到扩散模型》所给出的物理图景同出一辙了。

为了求出 的一般解，我们可以用格林函数的思想。首先尝试求解如下问题：

容易证明，如果上式成立，那么

将是方程（4）满足相应约束的解。这样一来，我们就将 表示为了训练样本的期望形式，这有利于模型的训练。不难看出，这里的 实际上就是扩散模型中的条件概率 。

事实上，式（7）所定义的 ，并非通常意义下的格林函数。一般的格林函数指的是点源下的解，而这里的格林函数的“点源”放到了边界处。但即便如此，所定义的 依然具有常规格林函数类似的性质，它本身也相当于点源产生的“力场”，而式（8）也正好是对点源的场进行积分，求出了连续分布源的场。

万有引力

现在我们根据上述框架，求解一些具体的结果。前面已经提到，方程（4）或（7），都是“ 个未知数、一个方程”的不定方程，理论上具有无穷多的各式各样的解，我们要对它进行求解，反而要引入一些额外的假设，使得它的解更为明确一些。第一个解是基于各向同性假设，它正好对应《生成扩散模型漫谈：从万有引力到扩散模型》中的结果。

假设求解

注意，这里的“各向同性”，指的是在 组成的 维空间中的各向同性，这意味着是指向源点 的，且模长只依赖于 ，因此可以设

于是

也即 ，或 ，即 ，因此一个候选解是

约束条件

可以看到，在各向同性假设下，万有引力解是唯一解了。为了证明是可行解，还要检验约束条件，其中关键一条是

其实我们只需要检验积分结果跟 和 都没关系，那么就可以选择适当的常数 让积分结果为0。而对于 ，可以检验做变量代换 ，由于 的范围是全空间的，所以 也是全空间的，代入上式得到

现在可以看出积分结果跟 和 都无关了。因此只要选择适当的 C，积分为 1 这一条检验可以通过。下面都假设已经选择了让积分为 1 的 。

至于初值，我们需要验证 ，这只需要按照狄拉克函数的定义进行检验就行了：

1、当 时，极限显然为 0；

2、当 时，极限显然为 ；

3、刚才我们已经检验了， 关于 的积分恒为 1。

这三点正好是狄拉克函数的基本性质，甚至可以说是狄拉克函数的定义，因此初值检验也可以通过。

结果分析

现在，根据式（8）我们就有

接下来利用 构建一个类似得分匹配的目标进行学习就行了，这个过程已经说过多次，不再重复展开。

前面提到过， 实际上就是 ，现在我们已经知道它的具体形式为

当 足够大的时候， 的影响就微乎其微，即 退化为跟 无关的先验分布

之前我们在《生成扩散模型漫谈：从万有引力到扩散模型》中推导这一结果还颇费周折，而在这个框架下这一结果可谓是“水到渠成”了。不仅如此，现在我们 也有了，那么理论上就可以完成 的采样了。从式（13）的推导我们知道，如果做代换 ，就有

于是我们可以先从 中采样，然后通过 来得到相应的 。至于从 的采样，它只依赖于模长，所以我们可以通过逆累积函数法先采样模长，然后随机采样一个方向来构成采样结果，这跟先验分布的采样是完全一样的。不过，笔者在进一步研究下面的遗留问题时，发现了一个让人意外的“惊喜”！

问题重拾

在《生成扩散模型漫谈（十三）：从万有引力到扩散模型》中，我们曾指出原论文给出的采样方案是：

其中 ，， 是 维单位球面上均匀分布的单位向量，而   则都是常数。当时对这个采样的评价是“有颇多的主观性”，也就是觉得是原作者主观设计的，没太多的理由。然而，不知道作者有意还是无意，笔者发现了一个神奇的“巧合”：这个采样正好是式（17）的一个实现！

接下来我们证明这一点。首先，我们将上式后半部分代入前半部分，得到

形式上已经跟上一节说的 一样了，并且 也是各向同性的单位随机向量，所以问题变为 是否跟 同分布，答案是肯定的！注意，概率密度从笛卡尔坐标变为球坐标，要多乘以一个 ，所以根据式（17）有

而根据 （由于研究的是比值，方差可以约掉，因此简单起见取 ）有

记 ，则 ，然后根据概率的相等性，有

因此 ，跟（20）完全一致。所以， 确实提供了 的一种有效采样方式，这在实现上要比逆累积函数法简单得多，但原论文并没有提及这一点。

时空分离

刚才我们求解了 组成的 维空间中的各向同性解，其实某种意义上来说，这算是最简单的一个解。可能这种说明有些读者难以接受，毕竟这个万有引力扩散模型在数学上看上去明显复杂得多。但事实上，在求解数学物理方程时，很多时候各向同性解确实是作为最简单的解来试探求解的。

当然，将 看成“时-空”整体的各向同性，在理解上确实没那么直观，我们更习惯的是理解空间上的各向同性，将时间维度独立开来，这一节就在这个假设下求解。

假设求解

也就是说，这部分的“各向同性”，指的是在 的 维空间中的各向同性，被分解为 两部分来理解。其中 只是一个标量，各向同性意味着它只依赖于 ，我们将它记为是一个 维向量，各向同性意味着 指向源点 ，且模长只依赖于 ，因此可以设

于是

这里有两个待定函数 ，但只有一个方程，所以求解就更简单了。由于约束条件约束的是 ，也就是 而不是 ，所以简单起见通常是给定满足条件的 来求解 ，结果是

高斯扩散

这部分我们来表明，常见的基于高斯分布假设的 ODE 扩散模型，也是式（25）的一个特例。对于高斯分布假设，有

即 ，其中 是关于 的单调递增函数，满足 且 足够大， 是为了成立初值条件， 足够大是为了先验分布与数据无关，至于积分等于1的约束，这是高斯分布的基本性质，自然满足。

代入式（25）后解得：

其中 的积分涉及到不完全伽马函数，比较复杂，笔者是直接用 Mathematica 算的。有了这个结果后，我们有

从而根据式（5）有

这些结果跟《生成扩散模型漫谈：“硬刚”扩散ODE》的完全一致，剩下的处理细节，也可以参考该文章。

逆向构造

像刚才那样给定 来求解 的做法在理论上很简单，但在实践上会有两个困难：1） 既要满足初值条件，又要满足积分条件，不是那么容易构造的；2）对 的积分也不一定有简单的初等形式。既然如此，我们可以想一个逆向构造的方法。

我们知道， 是在笛卡尔坐标下的概率密度，换到球坐标下要乘以 ，而这正好是式（25）的被积函数，所以式（2）中的积分

正好是一个累积概率函数（更准确说，是累积概率函数加上一个常数），而从概率密度算累积概率不一定容易，但从累积概率算概率密度很简单（求导），所以我们可以先构造累积概率函数，然后再去求相应的 ，这样就免去了积分的困难。

具体来说，构造累积概率函数 ，满足如下条件：

1、；

2、 关于 单调递增；

3、。

稍微研究过激活函数的同学，应该不难构造满足上述条件的函数，它其实这就是“阶跃函数” [2] 的光滑近似，比如 、 等。有了 后，根据式（25），我们就有

其中 是 的任意函数，一般情况下可以直接设为 0。当然，这些各向同性解本质上都是等价的，包括前一节推导的“万有引力扩散”也是如此，它们都可以纳入上式之中，也可以通过坐标变换相互推导，这是因为上式只依赖于一个一元的累积概率函数 ，不同分布之间的累积概率函数一般都可以相互变换（它们都是形态良好的单调递增函数）。

文章小结

本文构建了一个 ODE 式扩散的一般框架，理论上来说，所有的 ODE 式扩散模型可以纳入到该框架之中，我们也可以从中推导出各种新奇的、奇葩的 ODE 式扩散模型，比如目前的推导都是基于各向同性假设的，其实也可以将各向同性的 换成更一般的 ，这可以利用《一阶偏微分方程的特征线法》[3] 的方法来完成求解，得到一簇新的模型。总的来说，这是一个名副其实的 ODE 式扩散模型的“生产车间”。

可能有读者想问，我不就想要一个可用的生成扩散模型而已，你搞那么多花里花俏的变体又有什么价值？事实上，跟之前《f-GAN简介：GAN模型的生产车间》、《Designing GANs：又一个GAN生产车间》一样，我们希望发现、掌握生成模型的构建规律，以便进一步理解生成模型的关键，从而发现更有效的生成模型，这是一个追求完美的永无止境的过程。

之前“万有引力扩散”论文中的实验结果已经表明，作为一个 ODE 式扩散模型，它要比高斯扩散的效果要好些。这就说明，即便是基于各向同性假设，这些数学本质等价的扩散模型在实践上依然会有效果差异。所以，如何更好地结合实验细节来回答“什么样的设计才是更好的扩散模型”，将会是未来的一个非常有意义的研究问题。

参考文献

[1] https://en.wikipedia.org/wiki/Continuity_equation

[2] https://en.wikipedia.org/wiki/Heaviside_step_function

[3] https://kexue.fm/archives/4718

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·