smalldiffusion

smalldiffusion 是一个不到一千行代码的轻量级扩散模型库，却让训练和采样扩散模型变得像搭积木一样简单。它的核心价值在于把复杂的扩散模型训练过程简化到极致——你用十几行代码就能在瑞士卷等二维玩具数据集上跑通一个完整的扩散模型，并且内置了 FashionMNIST、CIFAR10、ImageNet 上接近当前最优水平的训练示例。对于想快速验证新想法、搞清扩散模型内部机制的研究者或开发者来说，它彻底解决了“想改个采样器却要读几千行框架代码”的痛点。 技术亮点非常突出。首先，它的核心训练和采样逻辑加起来不到100行，代码清晰可读，方便你深入理解每一行背后的数学含义。其次，它支持多种参数化方式——你可以自由选择预测分数（score-prediction）、预测流（flow-prediction）或者直接预测数据（data-prediction），这在大多数开源库中需要自己改源码才能实现。另外，它内置了 U-Net、DiT（扩散 Transformer）和简单的 MLP 三种主流模型结构，并且提供从 toy dataset 到像素级图像、再到潜在空间图像（如 ImageNet 上的 DiT + Flow Matching）的完整数据支持。更贴心的是，它把二维玩具数据集的采样也做成可视化示例，让初学者一眼就能看出扩散模型“从噪声到清晰”的生成过程。 适用场景很广：如果你是刚入门扩散模型的学生或研究者，可以用它快速搭建实验、理解噪声调度、采样器参数（如 gam 控制）对结果的影响；如果你想在特定数据集上微调一个简易生成模型（比如给 FashionMNIST 做图像生成），它提供的示例代码几乎开箱即用；如果你在开发新的采样算法或训练策略，它极简的核心让你只需修改少量函数就能测试想法。当然，对于需要分布式训练、大规模生产部署的场景，它不如成熟框架全，但作为实验原型工具非常顺手。 上手难度极低。你只需要会 Python 基础、知道 PyTorch 怎么写 DataLoader，就能在几分钟内跑通 toy dataset 的 demo。作者还提供了 Colab 在线笔记本、详细的教程博客和十步示例，学习曲线非常平缓。项目在 pypi 上可直接 pip 安装，本地开发用 uv 也很方便。如果你一直觉得扩散模型的论文太抽象、代码太复杂，smalldiffusion 绝对是让你...