用途：从零构建去噪扩散概率模型（DDPM）或 score-based 生成模型，包含前向加噪、U-Net 去噪器、训练目标、反向采样，以及 DDIM/DPM-Solver 加速推理。适用于图像、音频、分子合成，复现论文，添加自定义噪声调度或条件机制，替代 GAN 生成器，或在用 diffusers 等框架规模化前做原型。
主要能力：提供余弦/线性 beta 调度与 DiffusionSchedule 派生量计算；SinusoidalTimeEmbedding、ResBlock 与 U-Net 架构；简化 DDPM 训练损失、AdamW 优化与余弦学习率调度、梯度裁剪、检查点保存；完整 DDPM 反向采样与 DDIM 少步采样；用 FID 与 LPIPS 评估质量与多样性。
使用方式：按步骤定义前向过程、设计去噪网络、实现训练循环、实现采样、加入加速采样、评估质量。示例命令与代码保持原样，如 cosine_beta_schedule、q_sample、ddpm_sample、ddim_sample 等函数。
适用场景：需要自定义扩散流程的研究与工程原型。
限制：资料未提供具体依赖版本、数据集准备细节、完整 U-Net 实现及训练时长；部分代码为片段，需按目标分辨率补全。数据须归一化到 [-1,1]，否则训练发散；调度索引需与训练一致。