摘要扩散模型（Diffusion Models）是当前生成式AI领域最前沿的技术之一，在图像生成、音频合成、分子设计等任务中展现了超越GAN和VAE的能力。本文从数学原理出发，逐步推导扩散模型的前向扩散与反向去噪过程，并给出一个完整的、可直接运行的PyTorch实现。文章涵盖DDPM（Denoising Diffusion Probabilistic Models）的核心公式、训练细节、采样策略以及实际部署中的常见陷阱，帮助读者从理论到实践全面掌握扩散模型。应用场景扩散模型因其稳定的训练过程和高质量的生成结果，在以下场景中表现突出：图像生成：无条件生成（如DDPM、Improved DDPM）和条件生成（如Stable Diffusion、DALL-E 2）图像修复：去噪、超分辨率、补全（如RePaint、SR3）音频生成：语音合成、音乐生成（如WaveGrad、DiffWave）分子设计：生成符合化学性质的分子结构（如GeoDiff）时间序列预测：金融数据、传感器数据的生成与增强核心原理扩散模型的核心思想包含两个过程：前向扩散过程：逐步向数据添加高斯噪声，直到数据完全变为纯噪声。这是一个固定的马尔可夫链，每一步的噪声添加方式由方差调度（variance schedule）控制。反向去噪过程：学习一个神经网络，从纯噪声中逐步去除噪声，恢复出原始数据。这是一个参数化的马
