该模型是学习从噪音中如何去除噪音生成一个他已经学会的图片，所以一开始输入模型的是噪音，但是经过一次处理效果不会非常好，所以要循环迭代很多次，得到最终生成结果。
模型预测的实际上是噪音，也就是说要将输入图片减去模型预测的噪音，得到生成结果。
这里没有讲的太细，我的理解是神经网络需要的输入是正态分布的噪声采样，而去噪一次之后就不是正态分布了，所以需要再加上一点噪音。而从经验上讲，这么做可以稳定神经网络的结果
上图注意字幕挡住的图片，左边就是提到的平均外观
扩散实际上是一种思想，一种训练策略，视频中具体实现扩散的模型是Unet
用Unet的一个好处就是在上采样的过程中，可以把一些你想让模型知道的信息嵌入进去，通过embedding，例如time 、noise level、context(控制模型生成的内容)
具体的训练过程：首先你的数据集是一些高质量的图片，然后你给这个图片添加一个噪音，输入网络，网络要预测的是你添加的这个噪音。注意，由于噪音是你添加的，所以是可以算损失的。
在训练时，虽然可以通过时间和采样给出不同的噪音水平，但在实际训练中，我们不能对着同一个反复图片操作，要给模型看到更多的这一类的图片，这样才能使得训练结果稳定和均匀。