A 1D/2D toy diffusion model experimentation and visualization lab in MoonBit

diffusion

generative-ai

machine-learning

visualization

math

toy-models

moon add hxiuzheng/moon_diffusion_lab@0.1.6

Download zip

Author

hxiuzheng

Version

0.1.6

License

Apache-2.0

Repository

github.com/hxiuzheng/MoonDiffusionLab

Last updated

5 hours ago

Downloads

README

#MoonDiffusionLab 扩散模型原理实验工具箱

MoonDiffusionLab 是一个基于 MoonBit v0.10.3 纯原生实现的 1D/2D Toy Diffusion 教学与实验工具箱，面向生成模型原理演示、采样过程观察和多模态可视化对比。

#快速开始

#1. 环境准备与克隆

确保您已安装最新版 MoonBit 工具链（推荐 v0.10.3 或以上）。

git clone https://github.com/hxiuzheng/MoonDiffusionLab.git
cd MoonDiffusionLab
moon install

#2. 作为依赖包引入 (mooncakes.io)

您可以直接在您的项目中通过 moon add 引入本库：

moon add hxiuzheng/moon_diffusion_lab

#3. 本地运行与产物复现

运行内置的实验主程序直接在控制台观看 ASCII 扩散动画：

moon run cmd/lab

重复实验与质量报告也可以直接运行：

moon run cmd/experiment_runner
moon run cmd/quality_report
moon run cmd/acceptance_gate

可视化产物（SVG/HTML）真实落盘复现：本项目支持将采样流场和多帧交互报告保存为静态文件。您可以直接运行脚本生成（或使用 > 重定向输出）：

# 生成交互式网页报告
moon run cmd/export_html > assets/demo.html
# 生成流场矢量图
moon run cmd/export_svg > assets/demo.svg

仓库同时保留可直接查看的 assets/demo.html 与 assets/demo.svg 示例，便于离线验收和复现实验产物。

发布前完整工作链由 cmd/acceptance_gate 固化：它会运行六类程序生成数据集与三种采样器的 18 项基准、18 项重复实验、Two Moons 多指标质量阈值、HTML/SVG 结构检查，以及 Markdown/JSON/CSV 导出检查。固定 seed 下的报告可直接作为本地或 CI 验收证据。

#4. 测试与构建

moon check --target all --deny-warn
moon build
moon fmt
moon info --target all
moon test --deny-warn
moon run cmd/acceptance_gate

#项目特点

纯 MoonBit 原生实现，无外部依赖。
支持 Linear、Cosine、Sigmoid 噪声调度。
涵盖 Two Moons、Swiss Roll、GMM Ring、Bimodal 等 toy 数据集。
提供 Analytical Score Field 与 Toy MLP 两种预测模型。
集成 DDPM、DDIM、Euler ODE 采样器及 JSON、Markdown 导出。
支持终端 ASCII、SVG 流场和交互式 HTML 报告多模态呈现。

#可复现实验基准

benchmark 包提供面向实际实验流程的统一评估入口：支持 Uniform、Gaussian、Two Moons、Swiss Roll、GMM Ring 和 Bimodal 六类数据集，覆盖 DDPM、DDIM、Euler 三种采样后端，并计算 Wasserstein 距离、均值误差、方差误差、覆盖率和越界点数。批量结果可导出为 JSON、CSV 或 Markdown，适合接入 CI、Notebook 和实验报告：

let reports = @benchmark.run_suite(@benchmark.DDIM, 2026UL)
println(@benchmark.suite_markdown(reports))
println(@benchmark.suite_csv(reports))

该基准使用固定 seed 和程序生成数据，确保在无网络环境下也能复现；它用于回归比较和教学实验，不冒充外部真实数据集的统计结论。

#CI

仓库已补充 GitHub Actions 自动化工作流，每次推送时会自动执行以下步骤（不再使用旧版不支持的参数）：

moon check --target all --deny-warn
moon build
moon fmt
moon info --target all
moon test --deny-warn
moon run cmd/acceptance_gate

#代码示例

同一工作流在 Ubuntu、macOS、Windows 三个平台执行 CLI smoke tests，并生成临时 HTML/SVG 产物验证完整工作链。

import {
  "hxiuzheng/moon_diffusion_lab/core",
  "hxiuzheng/moon_diffusion_lab/schedule",
  "hxiuzheng/moon_diffusion_lab/model",
  "hxiuzheng/moon_diffusion_lab/dataset",
  "hxiuzheng/moon_diffusion_lab/diffusion",
  "hxiuzheng/moon_diffusion_lab/visualize",
}

fn main {
  let rng = @core.Rng::new(seed=2026UL)
  let data = @dataset.sample_two_moons(100, noise=0.05, rng)
  let sched = @schedule.DiffusionSchedule::create(30, Cosine(s=0.008))
  let model = @model.AnalyticalModel::new(data, bandwidth=0.1)
  let (samples, _) = @diffusion.sample_ddim_analytical(100, model, sched, rng, num_steps=5)

  println(@visualize.render_ascii_scatter(samples, title="DDIM 5-Step Denoised"))
  println(@core.sliced_wasserstein_approx(samples, data).to_string())
}

#结项状态

当前仓库包含 61 个 MoonBit 文件、4,689 行源码，43/43 测试通过。
已完善 ToyMLP 的 DDPM 采样闭环。
已补齐 GitHub Actions CI 流水线。
发布验收门禁已通过，当前模块版本为 hxiuzheng/moon_diffusion_lab@0.1.6。
提供可由命令生成并落盘的 SVG/HTML 实验产物（默认输出目录为 assets/）。

#许可证

Apache-2.0

#验收与发布说明

项目的可复现验收命令、功能边界、测试证据和开源合规说明见 docs/ACCEPTANCE_CHECKLIST.md。CI 使用当前 MoonBit CLI 支持的严格命令：moon check --target all --deny-warn、moon fmt、moon info --target all 和 moon test --deny-warn。

正式发布前请确认已使用与 moon.mod 中 hxiuzheng/moon_diffusion_lab 命名空间一致的 mooncakes.io 账号登录；项目不会把账号密码或访问令牌写入 Git remote URL。

Site source Report issue Packages Build queue Skills Statistics