066、代码实战十六：计算扩散模型的FID与IS分数

昨天深夜调试模型，生成了一堆看起来挺不错的图像，但老板问“到底比上周的版本好多少？”——我卡壳了。视觉评估太主观，我们需要数字说话。今天就来搞定两个关键指标：FID（Frechet Inception Distance）和IS（Inception Score）。这两个分数是扩散模型评估的“标准尺”，但实现时坑不少。

为什么需要量化评估？

扩散模型训练动辄几十万步，不能每次都靠人眼判断生成质量。FID衡量真实图像与生成图像的分布距离，数值越低越好；IS评估生成图像的多样性和清晰度，数值越高越好。但要注意，这两个指标都依赖Inception V3网络提取特征，本质上是在用ImageNet的视觉先验评估你的模型。

安装依赖的坑

别直接pip install pytorch-fid就完事，版本冲突能折腾半天。我的环境配置是这样的：

# 建议创建新环境专门做评估# torch和torchvision版本必须匹配，否则特征提取会报维度错误# 我用的版本组合：# torch==1.12.1+cu113# torchvision==0.13.1+cu113