مقایسه‌ی GANها، دیفیوژن و جریان

t = torch.randint(0, T, (bs,), device=device)  # DDPM: گام عدد صحیح
x_t = q_sample(x0, t, noise, schedule)         # پرش فرم بسته
loss = F.mse_loss(pred, noise)                 # پیش‌بینی نویز
t = torch.rand(n, device=device)               # جریان تصحیح‌شده: t در [0, 1]
x_t = (1 - t[:, None, None, None]) * x0 + t[:, None, None, None] * epsilon
target_v = epsilon - x0                        # سرعت، داده به نویز
loss = F.mse_loss(pred_v, target_v)
dt = 1.0 / steps                               # Euler، گام‌ها=20
for _ in range(steps):
    v = model(x, t)
    x = x - dt * v                             # پیمایش از نویز به داده
    t = t - dt

opt_d.zero_grad()
d_real = D(real)
d_fake = D(G(z).detach())                                                     # بدون گرادیان به G
loss_d = (F.binary_cross_entropy_with_logits(d_real, torch.ones_like(d_real))
          + F.binary_cross_entropy_with_logits(d_fake, torch.zeros_like(d_fake)))
loss_d.backward()
opt_d.step()
opt_g.zero_grad()
d_fake = D(G(z))
loss_g = F.binary_cross_entropy_with_logits(d_fake, torch.ones_like(d_fake))  # بدون اشباع
loss_g.backward()
opt_g.step()
opt_g = torch.optim.Adam(G.parameters(), lr=2e-4, betas=(0.5, 0.999))         # پیش‌فرض DCGAN