Hugging Face 的徽标

Diffusers 文档

Custom Diffusion

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Custom Diffusion

Custom Diffusion 是一种用于个性化图像生成模型的训练技术。与 Textual Inversion、DreamBooth 和 LoRA 类似，Custom Diffusion 仅需要少量（约 4-5 张）示例图像。此技术的工作原理是仅训练跨注意力层中的权重，并使用一个特殊的词来表示新学习的概念。Custom Diffusion 的独特之处在于它还可以同时学习多个概念。

如果您在 vRAM 有限的 GPU 上进行训练，您应该尝试启用 xFormers 并使用 --enable_xformers_memory_efficient_attention 以获得更快的训练速度和更低的 vRAM 要求（16GB）。为了节省更多内存，请在训练参数中添加 --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，以帮助您更熟悉它，以及如何针对您自己的用例进行调整。

在运行脚本之前，请确保从源代码安装库

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 上或使用混合精度进行训练的库。它会根据您的硬件和环境自动配置您的训练设置。查看 🤗 Accelerate 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 环境而无需选择任何配置

accelerate config default

或者，如果您的环境不支持交互式 shell（如 notebook），您可以使用

from accelerate.utils import write_basic_config

write_basic_config()

最后，如果您想在您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，以了解如何创建适用于训练脚本的数据集。

以下部分重点介绍训练脚本中对于理解如何修改脚本很重要的部分，但它并未详细介绍脚本的每个方面。如果您有兴趣了解更多信息，请随时阅读 script，如果您有任何问题或疑虑，请告诉我们。

脚本参数

训练脚本包含所有参数，可帮助您自定义训练运行。这些参数位于 parse_args() 函数中。该函数带有默认值，但如果您愿意，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 Custom Diffusion 特有的参数

  • --freeze_model：冻结跨注意力层中的键和值参数；默认值为 crossattn_kv，但您可以将其设置为 crossattn 以训练跨注意力层中的所有参数
  • --concepts_list：要学习多个概念，请提供包含概念的 JSON 文件的路径
  • --modifier_token：用于表示学习概念的特殊词
  • --initializer_token：用于初始化 modifier_token 的嵌入的特殊词

先验保留损失

先验保留损失是一种方法，它使用模型自身生成的样本来帮助其学习如何生成更多样化的图像。由于这些生成的样本图像与您提供的图像属于同一类别，因此它们有助于模型保留其已学到的关于该类别的知识，以及如何使用其已知的关于该类别的知识来制作新的构图。

先验保留损失的许多参数在 DreamBooth 训练指南中进行了描述。

正则化

Custom Diffusion 包括使用少量真实图像训练目标图像，以防止过拟合。您可以想象，当您仅在少量图像上进行训练时，这很容易做到！使用 clip_retrieval 下载 200 张真实图像。class_prompt 应与目标图像属于同一类别。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：是否使用先验保留损失
  • --prior_loss_weight：控制先验保留损失对模型的影响
  • --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

Custom Diffusion 训练脚本中的许多代码与 DreamBooth 脚本类似。本指南反而侧重于与 Custom Diffusion 相关的代码。

Custom Diffusion 训练脚本有两个数据集类

接下来，modifier_token 被添加到 tokenizer，转换为 token id，并调整 token embeddings 的大小以适应新的 modifier_token。然后使用 initializer_token 的 embeddings 初始化 modifier_token embeddings。文本编码器中的所有参数都被冻结，除了 token embeddings，因为这是模型尝试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 Custom Diffusion 权重添加到注意力层。这是确保注意力权重形状和大小正确，以及在每个 UNet 块中设置适当数量的注意力处理器的一个非常重要的步骤。

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)

优化器被初始化以更新跨注意力层参数

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，重要的是仅更新您尝试学习的概念的 embeddings。这意味着将所有其他 token embeddings 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

一旦您完成所有更改或对默认配置感到满意，您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图像。如果您愿意，也可以创建和使用您自己的数据集（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 或本地模型路径，将 INSTANCE_DIR 设置为您刚下载猫图像的路径，并将 OUTPUT_DIR 设置为您想要保存模型的路径。您将使用 <new1> 作为特殊词语，将新学习的嵌入与它关联起来。该脚本会创建模型检查点并将其保存到您的仓库中，同时还会保存一个 pytorch_custom_diffusion_weights.bin 文件。

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非常有用。

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

  • --learning_rate=5e-6
  • --max_train_steps 可以在 1000 到 2000 之间
  • --freeze_model=crossattn
  • 使用至少 15-20 张图像进行训练
单概念
多概念
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 Custom Diffusion 模型进行推理。

单概念
多概念
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")

下一步

恭喜您使用 Custom Diffusion 训练模型！ 🎉 要了解更多信息

< > 在 GitHub 上更新

←LoRA 潜在一致性蒸馏→