Diffusion Forge
· 扩散模型实验室 · DDPM / DDIM / Flow Matching
从零手写三大生成范式：闭式前向加噪 + MLP 噪声/速度预测网络（AdamW）+ DDPM / DDIM / Flow 采样，纯 JS 零依赖。
x_t = √ᾱ_t·x₀ + √(1−ᾱ_t)·ε
，网络学的是「怎么把噪声减回去」；Flow 则直接回归速度场
v = ε − x₀
。
训练参数
数据集
四簇高斯 blobs
瑞士卷 swiss roll
双月牙 moons
扩散步数 T
噪声调度
linear β∈[0.002, 0.10]
cosine（Nichol & Dhariwal）
激活函数
ReLU
SiLU（He 初始化）
隐藏层宽 hidden
训练步数 steps
批大小 batch
学习率 lr
随机种子 seed
训练
恢复默认
未训练
Loss 曲线（噪声预测 MSE）
噪声调度 β_t / ᾱ_t
训练数据
x₀ 分布
DDPM 采样
全链随机去噪
DDIM 采样
η=0 时确定性：同种子同结果
Flow Matching 采样
点「训练 Flow 模型」后可用
采样控制
DDPM 祖先采样
DDIM 快采样
Flow Matching（ODE）
✦ 采样
η（DDIM 随机性）
DDIM 跳步 stride
训练 Flow 模型（速度场）
采样时裁剪 x̂₀ 到 [-4,4]（cosine 高噪声端稳定化）
W1 距离（1D 排序闭式，对 x/y 取平均）：训练+采样后显示
前向扩散演示（加噪过程）
从左到右：x₀ → x₁₂ → x₂₅ → x₃₇ → x_T ≈ 纯噪声。数据信号逐步被高斯噪声淹没，这就是训练时网络看到的输入。
🧪 不变量自检（引擎级，与 Node
_smoke2.js
同一套 18 项）
运行引擎不变量
点击运行 —— 判定逻辑全部来自引擎内
DIFF.invariants
，Node 无头复跑同一套（连同 _smoke.js 共 36 项）。