Hugging Face 的 logo

Diffusers 文档

自定义扩散

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验

开始使用

自定义扩散

自定义扩散 是一种用于个性化图像生成模型的训练技术。与文本反转、DreamBooth 和 LoRA 一样，自定义扩散只需要几个 (~4-5) 示例图像。此技术仅通过训练交叉注意力层中的权重来工作，并使用一个特殊词来表示新学习的概念。自定义扩散的独特之处在于它还可以同时学习多个概念。

如果您在具有有限 vRAM 的 GPU 上进行训练，则应尝试使用 --enable_xformers_memory_efficient_attention 启用 xFormers，以获得更快且 vRAM 需求更低的训练（16GB）。为了节省更多内存，在训练参数中添加 --set_grads_to_none 将梯度设置为 None 而不是零（此选项可能会导致一些问题，因此如果您遇到任何问题，请尝试删除此参数）。

本指南将探讨 train_custom_diffusion.py 脚本，以帮助您对其更加熟悉，以及如何将其适应您自己的用例。

在运行脚本之前，请确保您已从源代码安装库

git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .

导航到包含训练脚本的示例文件夹并安装所需的依赖项

cd examples/custom_diffusion
pip install -r requirements.txt
pip install clip-retrieval

🤗 Accelerate 是一个帮助您在多个 GPU/TPU 或混合精度上进行训练的库。它将根据您的硬件和环境自动配置您的训练设置。查看 🤗 Accelerate 的 快速入门 以了解更多信息。

初始化 🤗 Accelerate 环境

accelerate config

要设置默认的 🤗 Accelerate 环境而不选择任何配置

accelerate config default

或者，如果您的环境不支持交互式 shell（如笔记本），则可以使用

from accelerate.utils import write_basic_config

write_basic_config()

最后，如果您想在自己的数据集上训练模型，请查看 创建用于训练的数据集 指南，了解如何创建适用于训练脚本的数据集。

以下部分重点介绍了训练脚本中一些重要的部分，以帮助理解如何修改它，但它并没有详细介绍脚本的每个方面。如果您有兴趣了解更多信息，请随时通读 脚本 并告知我们您有任何疑问或疑虑。

脚本参数

训练脚本包含所有帮助您自定义训练运行的参数。这些参数位于 parse_args() 函数中。该函数带有默认值，但您也可以在训练命令中设置自己的值。

例如，要更改输入图像的分辨率

accelerate launch train_custom_diffusion.py \
  --resolution=256

许多基本参数在 DreamBooth 训练指南中进行了描述，因此本指南重点介绍自定义扩散独有的参数

  • --freeze_model：冻结交叉注意力层中的键和值参数；默认为 crossattn_kv，但您可以将其设置为 crossattn 以训练交叉注意力层中的所有参数
  • --concepts_list：要学习多个概念，请提供一个包含这些概念的 JSON 文件的路径
  • --modifier_token：用于表示学习的概念的特殊词
  • --initializer_token：用于初始化 modifier_token 嵌入的特殊词

先验保持损失

先验保持损失是一种使用模型自身生成的样本帮助其学习如何生成更多样化图像的方法。因为这些生成的样本图像属于与您提供的图像相同的类别，所以它们有助于模型保留它对该类别所学到的知识，以及如何利用它对该类别的已有知识进行新的组合。

许多先验保持损失的参数在 DreamBooth 训练指南中进行了描述。

正则化

自定义扩散包括使用少量真实图像训练目标图像以防止过拟合。正如您所想象的那样，当您只对少数图像进行训练时，这很容易做到！使用 clip_retrieval 下载 200 张真实图像。class_prompt 应与目标图像的类别相同。这些图像存储在 class_data_dir 中。

python retrieve.py --class_prompt cat --class_data_dir real_reg/samples_cat --num_class_images 200

要启用正则化，请添加以下参数

  • --with_prior_preservation：是否使用先验保持损失
  • --prior_loss_weight：控制先验保持损失对模型的影响
  • --real_prior：是否使用少量真实图像来防止过拟合
accelerate launch train_custom_diffusion.py \
  --with_prior_preservation \
  --prior_loss_weight=1.0 \
  --class_data_dir="./real_reg/samples_cat" \
  --class_prompt="cat" \
  --real_prior=True \

训练脚本

自定义扩散训练脚本中的许多代码与 DreamBooth 脚本类似。本指南重点介绍与自定义扩散相关的代码。

自定义扩散训练脚本有两个数据集类

接下来，将modifier_token 添加到分词器，将其转换为token ID，并调整token嵌入的大小以适应新的modifier_token。然后，使用initializer_token的嵌入初始化modifier_token的嵌入。文本编码器中的所有参数都被冻结，除了token嵌入，因为这是模型试图学习与概念关联的内容。

params_to_freeze = itertools.chain(
    text_encoder.text_model.encoder.parameters(),
    text_encoder.text_model.final_layer_norm.parameters(),
    text_encoder.text_model.embeddings.position_embedding.parameters(),
)
freeze_params(params_to_freeze)

现在，您需要将自定义扩散权重添加到注意力层。这是确保注意力权重的形状和大小正确，以及设置每个UNet块中适当数量的注意力处理器的非常重要的步骤。

st = unet.state_dict()
for name, _ in unet.attn_processors.items():
    cross_attention_dim = None if name.endswith("attn1.processor") else unet.config.cross_attention_dim
    if name.startswith("mid_block"):
        hidden_size = unet.config.block_out_channels[-1]
    elif name.startswith("up_blocks"):
        block_id = int(name[len("up_blocks.")])
        hidden_size = list(reversed(unet.config.block_out_channels))[block_id]
    elif name.startswith("down_blocks"):
        block_id = int(name[len("down_blocks.")])
        hidden_size = unet.config.block_out_channels[block_id]
    layer_name = name.split(".processor")[0]
    weights = {
        "to_k_custom_diffusion.weight": st[layer_name + ".to_k.weight"],
        "to_v_custom_diffusion.weight": st[layer_name + ".to_v.weight"],
    }
    if train_q_out:
        weights["to_q_custom_diffusion.weight"] = st[layer_name + ".to_q.weight"]
        weights["to_out_custom_diffusion.0.weight"] = st[layer_name + ".to_out.0.weight"]
        weights["to_out_custom_diffusion.0.bias"] = st[layer_name + ".to_out.0.bias"]
    if cross_attention_dim is not None:
        custom_diffusion_attn_procs[name] = attention_class(
            train_kv=train_kv,
            train_q_out=train_q_out,
            hidden_size=hidden_size,
            cross_attention_dim=cross_attention_dim,
        ).to(unet.device)
        custom_diffusion_attn_procs[name].load_state_dict(weights)
    else:
        custom_diffusion_attn_procs[name] = attention_class(
            train_kv=False,
            train_q_out=False,
            hidden_size=hidden_size,
            cross_attention_dim=cross_attention_dim,
        )
del st
unet.set_attn_processor(custom_diffusion_attn_procs)
custom_diffusion_layers = AttnProcsLayers(unet.attn_processors)

初始化优化器来更新交叉注意力层参数。

optimizer = optimizer_class(
    itertools.chain(text_encoder.get_input_embeddings().parameters(), custom_diffusion_layers.parameters())
    if args.modifier_token is not None
    else custom_diffusion_layers.parameters(),
    lr=args.learning_rate,
    betas=(args.adam_beta1, args.adam_beta2),
    weight_decay=args.adam_weight_decay,
    eps=args.adam_epsilon,
)

在训练循环中，务必仅更新您尝试学习的概念的嵌入。这意味着将所有其他token嵌入的梯度设置为零。

if args.modifier_token is not None:
    if accelerator.num_processes > 1:
        grads_text_encoder = text_encoder.module.get_input_embeddings().weight.grad
    else:
        grads_text_encoder = text_encoder.get_input_embeddings().weight.grad
    index_grads_to_zero = torch.arange(len(tokenizer)) != modifier_token_id[0]
    for i in range(len(modifier_token_id[1:])):
        index_grads_to_zero = index_grads_to_zero & (
            torch.arange(len(tokenizer)) != modifier_token_id[i]
        )
    grads_text_encoder.data[index_grads_to_zero, :] = grads_text_encoder.data[
        index_grads_to_zero, :
    ].fill_(0)

启动脚本

完成所有更改或对默认配置感到满意后，就可以启动训练脚本了！🚀

在本指南中，您将下载并使用这些示例猫的图片。如果需要，您也可以创建和使用自己的数据集（请参阅创建用于训练的数据集指南）。

将环境变量MODEL_NAME设置为Hub上的模型ID或本地模型的路径，将INSTANCE_DIR设置为刚刚下载猫图片的路径，并将OUTPUT_DIR设置为要保存模型的位置。您将使用<new1>作为特殊词来关联新学习的嵌入。脚本会创建并保存模型检查点和pytorch_custom_diffusion_weights.bin文件到您的存储库。

要使用Weights and Biases监控训练进度，请将--report_to=wandb参数添加到训练命令中，并使用--validation_prompt指定验证提示。这对于调试和保存中间结果很有用。

如果您正在训练人脸，Custom Diffusion团队发现以下参数效果很好

  • --learning_rate=5e-6
  • --max_train_steps可以在1000到2000之间。
  • --freeze_model=crossattn
  • 至少使用15-20张图像进行训练。
单一概念
多个概念
export MODEL_NAME="CompVis/stable-diffusion-v1-4"
export OUTPUT_DIR="path-to-save-model"
export INSTANCE_DIR="./data/cat"

accelerate launch train_custom_diffusion.py \
  --pretrained_model_name_or_path=$MODEL_NAME  \
  --instance_data_dir=$INSTANCE_DIR \
  --output_dir=$OUTPUT_DIR \
  --class_data_dir=./real_reg/samples_cat/ \
  --with_prior_preservation \
  --real_prior \
  --prior_loss_weight=1.0 \
  --class_prompt="cat" \
  --num_class_images=200 \
  --instance_prompt="photo of a <new1> cat"  \
  --resolution=512  \
  --train_batch_size=2  \
  --learning_rate=1e-5  \
  --lr_warmup_steps=0 \
  --max_train_steps=250 \
  --scale_lr \
  --hflip  \
  --modifier_token "<new1>" \
  --validation_prompt="<new1> cat sitting in a bucket" \
  --report_to="wandb" \
  --push_to_hub

训练完成后，您可以使用新的自定义扩散模型进行推理。

单一概念
多个概念
import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "CompVis/stable-diffusion-v1-4", torch_dtype=torch.float16,
).to("cuda")
pipeline.unet.load_attn_procs("path-to-save-model", weight_name="pytorch_custom_diffusion_weights.bin")
pipeline.load_textual_inversion("path-to-save-model", weight_name="<new1>.bin")

image = pipeline(
    "<new1> cat sitting in a bucket",
    num_inference_steps=100,
    guidance_scale=6.0,
    eta=1.0,
).images[0]
image.save("cat.png")

后续步骤

恭喜您使用自定义扩散训练了一个模型！🎉 了解更多信息

< > 在GitHub上更新

←LoRA 潜在一致性蒸馏→