1.看一下Unet网络的讲解_哔哩哔哩_bilibili，了解Unet网络

2.看一下【生成式AI】Diffusion Model 原理剖析 (1/4)_哔哩哔哩_bilibili，起码要看前3/6个视频

3.看一下超详细的扩散模型（Diffusion Models）原理+代码 - 知乎 (zhihu.com)，先了解DDPM

4.运行代码：超详细的扩散模型（Diffusion Models）原理+代码 - 知乎 (zhihu.com)

学姐给的Unet框架图（应用在扩散模型中的），很清楚，在交叉注意力机制中，V是文本嵌入的原因是文本提供了要引入到图像中的语义信息。

orz我就学到这里了，有佬推荐一些容易理解的博客嘛