企业官网建设流程全解析

玩扩散生成模型的朋友，肯定都见过那种画面：一张彩色噪声图，经过几十上百步迭代，变成一张清晰连贯的图像。但真正动手去训练或者调采样器的人会发现，同样的网络结构，换一组噪声调度（noise schedule），loss 曲线和出图质量完全能是两个样子。有人训练时 loss 一直飘高不下，有人采样到一半图像突然灰掉或者冒出彩色噪斑，问题很多时候不在网络写错，而是调度没有配好。

这一篇是系列里最容易被跳过、后劲却最大的一题。我尽量不堆公式，但会保留必须的几条，把“噪声调度到底是什么、为什么不同调度差异那么大、训练和采样时又该怎么配”一次性说清楚。适合正在调扩散模型新手，也适合想优化出图速度和稳定性的朋友。看完你至少能明白一件事：那些看起来都是“加噪去噪”的模型，为什么有人能画出高清细节，有人只能得到一张糊脸，玄机往往就藏在这一张时刻表里。

1. 先把舞台搭好：噪声调度到底在调度什么

1.1 一场先摧毁再重建的游戏

扩散模型的基本玩法，是用一个前向过程把原图逐步加噪，直到它变成近乎纯噪声；再训练一个网络把这个过程倒着走，从噪声里把原图“捞”回来。前向过程听起来很简单：每步往图上加一点高斯噪声，重复一千次。但这里有个隐藏问题——每一步到底加多少噪声？是一视同仁地每步加固定量，还是前轻后重、前重后轻？

这个“每一步加多少”的排布，就是噪声调度。它的正式名字里经常出现 beta schedule、variance schedule 或者 alpha_bar schedule 之类的词，本质上都是同一样东西：一份关于噪声浓度的时刻表。调度表写清楚之后，前向过程才能走，反向过程才知道某一步对应的噪声水平是多少，网络才能根据这个信号去预测干净的图或者噪声残差。

1.2 时间步不是编号，是噪声浓度

很多初学者会把时间步 t 理解成简单的“第几步”，这不算错，但容易忽略一个关键点：t 本身对模型没有意义，模型真正关心的，是 t 映射到的噪声浓度。同一个 t，在不同调度方案下，对应完全不同的噪声强度。

举个例子。你把同一张原图分别用两种调度去加噪，在 t=300 时，一个方案可能还保留着比较完整的轮廓，另一个方案可能已经面目全非。网络输入的是x_t和t的嵌入，它只能靠这个嵌入来推测“当前信号还剩多少”。如果调度曲线设计得不好，很多时间步对应的噪声浓度挤在一起，网络就会很困惑：同样一个嵌入数字，图像损坏程度却忽高忽低，学起来自然费劲。

我习惯把噪声调度想象成剥洋葱。洋葱最外层是干皮和一碰就掉的碎叶，对应噪声最高、信息被破坏最重的阶段；越往里剥，每一层越细越新鲜，对应噪声较低、需要精修的细节阶段。调度表决定了每一圈你该下多大力气，也决定了你能不能一层一层有节奏地剥到底，而不是几刀下去就稀碎。

1.3 前向过程的数学骨架

先给出最常用的前向过程定义。假设原始干净图像是x_0，当前噪声图像是x_t，每一步的加噪方差是β_t，那么：

q(x_t | x_{t-1}) = N(x_t; sqrt(1 - β_t) · x_{t-1}, β_t · I)

这个递推式可以一路展开，得到一个很干净的解析形式：

x_t = sqrt(ᾱ_t) · x_0 + sqrt(1 - ᾱ_t) · ε

其中α_t = 1 - β_t，ᾱ_t = α_1 · α_2 · … · α_t。这个ᾱ_t就是整个调度表的核心输出，它表示 t 步之后原始信号还保留了多少比例。t=0 时ᾱ_t接近 1，x_t基本就是原图；t 越来越大时ᾱ_t越来越接近 0，x_t越来越接近纯随机噪声。

经常被提到的一个指标是信噪比：

SNR(t) = ᾱ_t / (1 - ᾱ_t)

它比β_t更直观。噪声调度的设计，本质上就是在控制 SNR 随时间下降的曲线。这个下降不是简单“从 1 降到 0”就行，下降的斜率、陡峭度、两端的形状，直接决定了模型在不同噪声区间获得多少有效训练信号。这也是为什么后面要单独讲线性、余弦这些具体方案。

2. 主流的噪声调度家族：线性、余弦与缩放的取舍

2.1 线性调度：老牌选手的两头难

最经典的做法，是让β_t从1e-4线性增加到0.02，经典扩散模型论文里就是这么用的。这个方案简单、稳定，在小尺寸图像和比较规整的数据集上效果不错，到今天很多开源复现还在用。

但它有个隐蔽的问题。β_t线性增长，不代表信号的衰减是线性的。ᾱ_t是累乘结果，实际衰减非常快。我大概算过一个数字：当 T=1000、β_t从1e-4线性升到0.02时，到 t=500 左右，ᾱ_t已经降到千分之几的水平。也就是说，训练时长过半时，图像其实已经是噪声为主了，后续一半时间步全都挤在 SNR 极低的区域。

这会带来什么后果？一方面，模型花大量算力在高噪声区学“如何从随机噪声里找很弱的结构”，这部分任务又难又容易过拟合到噪声模式上；另一方面，真正决定图像轮廓的中低噪声区，训练样本覆盖不够细致。用生活化的话说，你的剥洋葱节奏一开始很猛，几下就把外层撕完了，后面全在剥蒜皮一样的东西，费劲但收获不大。

注意：线性调度不是说不能用，而是你要意识到它把时间资源大量分配给了高噪声。如果你的数据本身很干净、图像分辨率不高，这个缺点不明显；一旦数据复杂或分辨率提高，线性调度经常会先露馅。

2.2 余弦调度：更像“均匀撕掉信息”

后来有人提出改进，直接不再让β_t线性走，而是给ᾱ_t设计一条余弦曲线：

ᾱ_t = cos²( ((t/T) + s) / (1+s) · π/2 )

其中s通常取0.008，作用是避免 t=0 时ᾱ_t严格等于 1，给训练留一点缓冲。β_t则通过β_t = 1 - ᾱ_t / ᾱ_{t-1}反算出来。

余弦调度最直观的好处是信号衰减更均匀。它不会在前 500 步就把图像毁得差不多，而是让噪声在整段时间里逐渐渗透，每一段都有一个相对可辨认的 SNR 范围。这样模型在不同噪声区间都能遇到比较合适的学习样本，尤其对高分辨率图像和复杂语义来说，普遍比线性调度稳。

我自己的体会是：余弦调度更像一个“耐心剥洋葱”的人，每次只剥一圈，而且每圈大小接近；线性调度更像新手，一开始用力过猛，后面发现手上全是碎皮。如果你在两类调度之间纠结，我建议先切换成余弦方案跑一轮看看，loss 曲线通常会更平滑，生成结果在边缘细节上的表现也更容易变好。

2.3 缩放型调度：给信号衰减换一种节奏

除线性和余弦外，还有一堆变体。常见的有平方根型、指数型、以及针对潜在空间设计的“缩放调度”。它们的共同思路仍然是改ᾱ_t的下降形状，但不同变体适合不同场景。

例如图像增强大模型在高分辨率下常用的策略，会在训练时对噪声调度做一个“偏移”，让起始噪声水平略微抬高，或者让最终噪声水平不要完全归零。这么做是为了防止模型在纯高斯噪声区浪费太多容量，把更多训练重心放在“中等噪声下重建语义”这个更难也更有意义的任务上。你会发现，不同框架的默认值并不统一，就是因为它们对数据集方差、图像编码器的信号分布有不同假设。

还有一种思路是直接在连续时间框架下定义调度，不再纠结固定 T。这一派把调度当作一个关于时间 s 的连续函数ᾱ(s)，每一步从连续时间里取一个增量。这样做的好处是采样时步数可以任意变化，20 步、50 步、100 步都能用同一套连续函数算出来。离散调度切到连续框架后，许多公式会更干净，但概念上你只要抓住一点：无论离散还是连续，核心仍然是一条 SNR 随时间单调下降的曲线。

2.4 可学习调度：把节奏交给模型

更进阶的做法，是把调度本身也变成可学习的参数。用一个单调函数参数化ᾱ_t，让它和网络一起训练，让训练过程自动发现最适合当前数据的“剥洋葱节奏”。听起来很美好，但在实际工程里很少作为首选。

原因很简单：可学习调度增加了训练不稳定性。噪声这一步要是跟着梯度变，网络还得同时适应变化的输入分布，很容易出现“调度跑偏、模型跟着学歪”的连锁问题。我见过几次失败的尝试，最后可视化时发现ᾱ_t被学到了一条很奇怪的高位曲线，图像到后半程还残存大量原图结构，预训练时完全看不出来，采样时整体偏灰。我的建议是，先把固定调度玩透，再考虑可学习调度；如果你真的想试，也要给调度参数加足够强的正则，让它保持单调且接近预设曲线。

3. 训练阶段如何配出稳定的降噪节奏

3.1 时间步采样策略：均匀和分层均匀差别很大

训练扩散模型时，通常不会真的在每个 step 都跑一遍全部 1000 个时间步，而是每次随机抽一个 t。最简单的做法是t在0到T-1之间均匀采样。问题是，如果调度本身不是均匀的，那么均匀采样时间步，就会让不同噪声区域的训练样本数量差异很大。

比如线性调度下，SNR 很低的阶段占据了大约一半时间步；均匀采样会让模型频繁看到接近纯噪声的样本，而真正需要精细处理的中间段反而喂得少。这不是玄学，是统计偏差。

我试过一种更稳的做法：分层均匀采样。把[0, T)分成若干桶，比如 10 桶，每桶内部均匀采样，每一轮迭代保证每个噪声区间都被抽到。这么做之后，训练 loss 的波动会显著变小，模型对中低噪声区的记忆也更清楚。代价只有一个：训练代码要稍微多写几行，相比收益完全值得。

3.2 损失函数如何与调度对齐

扩散模型训练时最常规的损失函数是：

loss = E_{t,x_0,ε} [ || ε_θ(x_t, t) - ε ||² ]

这个 loss 里对每个时间步的权重是等权的。可是不同 t 对应的任务难度根本不一样，信噪比高的地方预测噪声相对简单，信噪比低的地方预测噪声几乎等于“猜”。如果调度曲线不均衡，等权 loss 就会把梯度重心推向某一个噪声区间。

后来有人提出用 SNR 或最小有效信噪比给 loss 加权，或者干脆用min-SNR策略，限制某些时间步的权重不要过于抢眼的实现。这类策略的核心其实没有改变调度本身，而是让你在网络学习和噪声分布之间找到一个平衡。我的经验是：当你调试完调度，发现训练 loss 一直下不去时，不要急着改网络，先看一眼不同时间步的单项 loss 分布。如果出现了“某个区间的 loss 明显比其他区间大一个数量级”，就要考虑加权或者换调度了。

3.3 一个可以直接改的配置模板

下面给一段我常用的调度构建代码，语言用伪 Python，方便移植。核心就两件事：算出alpha_bar，再由它反算betas。

import torch import math def linear_beta_schedule(T, beta_start=1e-4, beta_end=0.02): return torch.linspace(beta_start, beta_end, T) def cosine_beta_schedule(T, s=0.008): steps = torch.arange(T + 1, dtype=torch.float32) / T alpha_bar = torch.cos((steps + s) / (1 + s) * math.pi / 2) ** 2 alpha_bar = alpha_bar / alpha_bar[0] # 归一化，保证初始接近 1 betas = 1 - alpha_bar[1:] / alpha_bar[:-1] # 防止数值上出现 0 或过小值，做一次裁剪 betas = torch.clamp(betas, max=0.999) return betas T = 1000 betas = cosine_beta_schedule(T) alphas = 1.0 - betas alpha_bar = torch.cumprod(alphas, dim=0) # 训练时提取一个 batch 的时间步 t = torch.randint(0, T, (batch_size,), device=device) noise = torch.randn_like(x_start) x_t = torch.sqrt(alpha_bar[t])[:, None, None, None] * x_start \ + torch.sqrt(1.0 - alpha_bar[t])[:, None, None, None] * noise pred = model(x_t, t) loss = F.mse_loss(pred, noise)

一个小细节：cosine_beta_schedule里做alpha_bar / alpha_bar[0]是为了让初始信号保留比例尽可能接近 1，否则ᾱ_0不是 1，会导致第一个时间步就已经加了不少噪声。很多复现不写这一行，训练出来图像总是偏“磨损感”，原因往往就在这里。

3.4 怎么看调度有没有配好

训练开始之前，我最推荐的检查方式不是盯 loss，而是去做一次“噪声可视化”。固定一张有代表性的原图，分别取t = 0, 250, 500, 750, 999，用当前的调度把图加噪到对应程度，然后拼成一行看。

理想情况是：图片从清晰到轮廓模糊再到纯噪声，是一个渐进、平滑的过程。如果你看到某一阶段图像变化特别剧烈，或者某一段变化几乎看不出来，说明调度的节奏不均匀。这个问题在训练初期发现，比训到一半再排查要省事得多。很多所谓“模型崩了”的案例，最后回溯下来都是调度在两端有问题，而不是网络容量不够。

4. 采样阶段怎么用出剥洋葱的节奏感

4.1 步长少和多产生的观感差异

训练完模型后，真正决定出图手感的，是采样阶段怎么沿着ᾱ_t曲线往回走。完整跑 1000 步，每一步只去一点噪声，结果通常最细腻；但实际没人愿意等那么久，于是出现了各种加速采样器。

走多少步、怎么选时间步，直接决定“剥洋葱”的粗细。50 步采样和 20 步采样，视觉差异不只是清晰度：步数多的时候，模型有机会在中低噪声区反复修正细节，纹理更扎实，边缘更干净；步数少的时候，模型倾向于保住全局构图，但小尺寸物体和高频细节容易糊成一团。

我在实际调参时发现，与其纠结“用 50 步还是 100 步”，不如观察你数据里最需要的到底是什么。人脸、产品图这类纹理丰富的场景，多 10 步带来的提升肉眼可见；而抽象风格、概念构图，20 步可能就完全够用。这不是网络变弱了，而是采样的时间分辨率不够，每一圈洋葱皮剥得不够碎，自然摸不到最里面的细节。

4.2 采样器自带调度，别手动乱改

很多人容易犯一个错：训练用余弦调度，采样时却顺手接了一个按线性调度设计的时间步列表，或者反过来。加速采样器背后都有对应的ᾱ_t依赖关系，比如经典的 DDIM，它假设相邻采样时间步的信噪比差在某个范围内；如果把时间步选得太稀疏，尤其是跳过中低噪声区的关键步，采样结果很容易出现条纹、灰斑。

我自己踩过最惨的一次坑，是在某个框架里把采样器的时间步强行设置成“尾部更密”，想省步数多抠细节。结果中期结构还没成型，就直接跳到低噪声精修，最后图像整体构图错乱，怎么调 seed 都没用。后来老老实实把训练和采样用同一套调度构建函数，问题立刻消失。

实操建议：当你第一次使用一个新采样器时，把“时间步如何从训练总数 T 映射到采样步数”的函数和训练脚本里的调度函数放一起核对。完全替换最稳，不要只替换采样步长的数字。

4.3 三步剥洋葱：构图、语义、纹理

我在采样阶段习惯把整个过程分成三段来看，对应剥洋葱的三个层次。

第一段，从最高噪声往下走，网络主要在“找构图”。这时候图像还只是一团色块，它决定物体大体在哪、色调是什么。这个阶段不能急着精修，否则后面细节一改，构图全乱。

第二段，进入中噪声区，网络在“定语义”。物体的轮廓、五官的大致位置、前后遮挡关系都在这一层逐渐成型。这个阶段如果采样步数不足，就会出现“五官都画了但组合不对”的怪脸。

第三段，低噪声区，网络在“补纹理”。头发丝、布料纤维、文字边缘这类高频信息主要在这里长出来。想让图片看起来有质感，这几步不能省，还要配合一定的低噪声迭代来稳定高频输出。

这个分类不是很严格，但对理解“为什么采样步数分布比总步数更重要”很有帮助。很多时候，你少的是第二段和第三段的步数，而不是第一段。

4.4 额外操作：调度偏移和动态引导

除了换采样器和调步数，还有一个工程上很常用的技巧：给采样时的ᾱ_t做一点偏移。做高清放大时，模型输入的潜在特征尺度和训练时不一样，往往会显得过于锐利或者过于平滑。一个常见处理是把ᾱ_t的范围整体偏移一点点，让采样从“比平时稍高一点的噪声水平”开始，给图像的全局结构多留一点调整空间。

动态引导也很有意思。导入分类器自由引导时，如果把引导系数全程固定，你会发现低噪声阶段容易出现过曝、过锐化的现象。较为稳妥的做法是让引导强度随 SNR 动态变化：噪声高时引导可强一些，帮模型锁定构图；噪声低时引导降下来，防止高频细节被用力过猛涂坏。这和调度配合起来，才是真正的“节奏感”。

5. 实操踩坑速查：症状、原因、解法

5.1 一张速查表

下面这个表是我在调试过程中反复用到的对照表。先看症状，再顺着找原因，能省掉很多盲试。

这张表不是标准答案，但能覆盖绝大多数普通场景。

5.2 训练初期 loss 飘高的经典案例

有次我帮某个朋友调一个文生图模型，训练到两万步的时候 loss 还在平台期，生成出的图像像打了一层很厚的柔光。我第一反应不是改网络，而是先把某几张训练图在不同时间步的加噪结果打印出来。结果发现，这个项目默认用的线性调度里，β_t的终点被设成了0.03，导致后半程噪声浓度过高，模型在大部分时间步都在面对几乎没有原图信息的纯噪声。

换成余弦调度后，同一套网络结构，loss 在几百步内就出现了明显下降趋势。后来我又把它的时间步采样改成分层均匀，训练曲线的抖动也小了很多。这件事给我留下的教训是：当你排除了数据问题和代码 bug 之后，永远先怀疑 “调度是不是把模型带偏了”。

5.3 为什么换了大分辨率后满屏噪点

高分辨率场景下，调度问题会变得更隐蔽。图像从 256 尺度换到 1024 尺度后，如果直接沿用原来的调度曲线，模型会对“高频细节应该出现在哪个噪声阶段”失去把握。一个典型表现是：生成大图时构图没问题，但放大看局部全是细碎噪点和斑纹，像把一张低分辨率图强行拉伸后加了噪。

这是采样时不同噪声阶段的任务分工被打破了。我在处理这类问题时，会先把采样的总步数提高 20% 到 50%，同时给低噪声段多安排几步。如果还是不行，再考虑对调度曲线做偏移。大部分情况下，第二次就能把细节扳回来。

5.4 让我收益最多的几个细节习惯

最后分享几个我养成习惯的小事，每一个都帮我少熬过夜。

第一，永远是先画调度曲线。不管是线性、余弦还是自定义，训练前把ᾱ_t随 t 变化的曲线打印出来，眼睛过一遍。曲线如果有急剧的坑或者台阶，大概率后面要出事。

第二，保存中间预测结果。训练时不动保存原图，而是固定一组噪声，在 t 的几个关键时刻保存模型预测出的x0。看预测结果的变化比看 loss 数字直观得多，能快速判断“是什么阶段学坏了”。

第三，调采样器和调训练脚本时保持一致。我的做法是把调度构建函数单独抽成一个模块，训练和采样都从同一个函数导入，绝不在采样脚本里手写一份新的 beta 列表。少写一次，就少错一次。

第四，改变总步数 T 的时候，不要只改数字。如果从 1000 改成 2000，最好把时间步嵌入的周期一起检查一下。单纯把 T 变大而嵌入编码不变，相当于把原来的噪声曲线压缩到一半长度，很容易让中低噪声区的分辨率分配不均匀。

我个人后来有一个感觉：噪声调度在扩散模型里，就是那种“平时没人提、一坏就崩全场”的设计。它不产生具体的图像语义，却决定了模型有没有机会把语义学出来，也决定了你在采样时能不能找到想要的节奏。剥洋葱之所以有节奏感，是因为每层厚度合理、顺序不乱；噪声调度做得好的模型，出图过程也是这个味道，每一步都让人觉得“该来的细节，正好在它该出现的时候出现了”。