推荐阅读列表：
在本文中，我们以生成绚丽多彩的蝴蝶图像为例，学习Diffusers库相关知识，并学会训练自己的扩散模型。
一、环境准备工作
1.1 安装Diffusers库
%pip install -qq -U diffusers datasets transformers accelerate ftfy pyarrow==9.0.0
1.2 登录huggingface（optional）
我们计划把训练好的模型上传到huggingface中，因此我们需要首先登录huggingface，可以通过访问https://huggingface.co/settings/tokens获取huggingface的token。
复制上图的token，然后执行下面的代码，并粘贴到执行如下代码的文本框中：
from huggingface_hub import notebook_loginnotebook_login()
1.3 安装Git LFS以上传模型检查点，代码如下：
%%capture!sudo apt -qq install git-lfs!git config --global credential.helper store
1.4 定义所需的函数
import numpy as npimport torchimport torch.nn.functional as Ffrom matplotlib import pyplot as pltfrom PIL import Image def show_images(x): """给定一批图像，创建一个网格并将其转换为PIL""" x = x * 0.5 + 0.5 # 将（-1，1）区间映射回（0，1）区间 grid = torchvision.utils.make_grid(x) grid_im = grid.detach().cpu().permute(1, 2, 0).clip(0, 1) * 255 grid_im = Image.fromarray(np.array(grid_im).astype(np.uint8)) return grid_im def make_grid(images, size=64): """给定一个PIL图像列表，将它们叠加成一行以便查看""" output_im = Image.new("RGB", (size * len(images), size)) for i, im in enumerate(images): output_im.paste(im.resize((size, size)), (i * size, 0)) return output_im # 对于Mac，可能需要设置成device = 'mps'(未经测试)device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
二、**** DreamBooth
DreamBooth可以对Stable Diffusion进行微调，并在整个过程中引入特定的面部、物体或者风格等额外信息。我们可以初步体验一下Corridor Crew使用DreamBooth制作的视频（https://www.bilibili.com/video/BV18o4y1c7R7/?vd_source=c5a5204620e35330e6145843f4df6ea4），目前模型以及集成到Huggingface上，下面是加载的代码：
from diffusers import StableDiffusionPipeline # https://huggingface.co/sd-dreambooth-library ，这里有来自社区的各种模型model_id = "sd-dreambooth-library/mr-potato-head" # 加载管线pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_ dtype=torch.float16). to(device)
prompt = "an abstract oil painting of sks mr potato head by picasso"image = pipe(prompt, num_inference_steps=50, guidance_scale=7.5). images[0]image
生成的图像如下图所示：
num_inference_steps：表示采样步骤的数量；
guidance_scale：决定模型的输出与Prompt之间的匹配程度；
三、Diffusers核心API
- Pipeline（管道）：高级API，便于部署；
- Model（模型）：定义训练扩散模型时需要的网络结构，比如UNet模型
- Scheduler（调度器）：在推理过程中使用多种不同的技巧来从噪声中生成图像，同时也可以生成训练过程中所需的"带噪"图像；
四、使用Diffusers生成蝴蝶图像案例
4.1 下载蝴蝶数据集
import torchvisionfrom datasets import load_datasetfrom torchvision import transforms dataset = load_dataset("huggan/smithsonian_butterflies_subset", split="train") # 也可以从本地文件夹中加载图像# dataset = load_dataset("imagefolder", data_dir="path/to/folder") # 我们将在32×32像素的正方形图像上进行训练，但你也可以尝试更大尺寸的图像image_size = 32# 如果GPU内存不足，你可以减小batch_sizebatch_size = 64 # 定义数据增强过程preprocess = transforms.Compose( [ transforms.Resize((image_size, image_size)), # 调整大小 transforms.RandomHorizontalFlip(), # 随机翻转 transforms.ToTensor(), # 将张量映射到(0,1)区间 transforms.Normalize([0.5], [0.5]), # 映射到(-1, 1)区间 ]) def transform(examples): images = [preprocess(image.convert("RGB")) for image in examples["image"]] return {"images": images} dataset.set_transform(transform) # 创建一个数据加载器，用于批量提供经过变换的图像train_dataloader = torch.utils.data.DataLoader( dataset, batch_size=batch_size, shuffle=True)
可视化其中部分数据集
xb = next(iter(train_dataloader))["images"].to(device)[:8]print("X shape:", xb.shape)show_images(xb).resize((8 * 64, 64), resample=Image.NEAREST)
# 输出X shape: torch.Size([8, 3, 32, 32])
4.2 定义扩散模型的调度器
在训练扩散模型和使用扩散模型进行推理时都可以由调度器（scheduler）来完成，噪声调度器能够确定在不同迭代周期分别添加多少噪声，通常可以使用如下两种方式来添加噪声，代码如下：
# 仅添加了少量噪声# 方法一：# noise_scheduler = DDPMScheduler(num_train_timesteps=1000, beta_# start=0.001, beta_end=0.004)# 'cosine'调度方式，这种方式可能更适合尺寸较小的图像# 方法二：# noise_scheduler = DDPMScheduler(num_train_timesteps=1000,# beta_schedule='squaredcos_cap_v2')
参数说明：
beta_start：控制推理阶段开始时beta的值；
beta_end：控制推理阶段结束时beta的值；
beta_schedule：可以通过一个函数映射来为模型推理的每一步生成一个beta值
无论选择哪个调度器，我们都可以通过noise_scheduler.add_noise为图片添加不同程度的噪声，代码如下：
timesteps = torch.linspace(0, 999, 8).long().to(device)noise = torch.randn_like(xb)noisy_xb = noise_scheduler.add_noise(xb, noise, timesteps)print("Noisy X shape", noisy_xb.shape)show_images(noisy_xb).resize((8 * 64, 64), resample=Image.NEAREST)
# 输出Noisy X shape torch.Size([8, 3, 32, 32])
4.3 定义扩散模型
下面是Diffusers的核心概念-模型介绍，本文采用UNet，模型结构如图所示：
下面代码中down_block_types对应下采样模型（绿色部分），up_block_types对应上采样模型（粉色部分）
from diffusers import UNet2DModel # 创建模型model = UNet2DModel( sample_size=image_size, # 目标图像分辨率 in_channels=3, # 输入通道数，对于RGB图像来说，通道数为3 out_channels=3, # 输出通道数 layers_per_block=2, # 每个UNet块使用的ResNet层数 block_out_channels=(64, 128, 128, 256), # 更多的通道→更多的参数 down_block_types=( "DownBlock2D", # 一个常规的ResNet下采样模块 "DownBlock2D", "AttnDownBlock2D", # 一个带有空间自注意力的ResNet下采样模块 "AttnDownBlock2D", ), up_block_types=( "AttnUpBlock2D", "AttnUpBlock2D", # 一个带有空间自注意力的ResNet上采样模块 "UpBlock2D", "UpBlock2D", # 一个常规的ResNet上采样模块 ),)model.to(device);
4.4 训练扩散模型
# 设定噪声调度器noise_scheduler = DDPMScheduler( num_train_timesteps=1000, beta_schedule="squaredcos_cap_v2") # 训练循环optimizer = torch.optim.AdamW(model.parameters(), lr=4e-4) losses = [] for epoch in range(30): for step, batch in enumerate(train_dataloader): clean_images = batch["images"].to(device) # 为图片添加采样噪声 noise = torch.randn(clean_images.shape).to(clean_images. device) bs = clean_images.shape[0] # 为每张图片随机采样一个时间步 timesteps = torch.randint( 0, noise_scheduler.num_train_timesteps, (bs,), device=clean_images.device ).long() # 根据每个时间步的噪声幅度，向清晰的图片中添加噪声 noisy_images = noise_scheduler.add_noise(clean_images, noise, timesteps) # 获得模型的预测结果 noise_pred = model(noisy_images, timesteps, return_ dict=False)[0] # 计算损失 loss = F.mse_loss(noise_pred, noise) loss.backward(loss) losses.append(loss.item()) # 迭代模型参数 optimizer.step() optimizer.zero_grad() if (epoch + 1) % 5 == 0: loss_last_epoch = sum(losses[-len(train_dataloader) :]) / len(train_dataloader) print(f"Epoch:{epoch+1}, loss: {loss_last_epoch}")
我们绘制一下训练过程中损失变化：
fig, axs = plt.subplots(1, 2, figsize=(12, 4))axs[0].plot(losses)axs[1].plot(np.log(losses))plt.show()
4.5 生成图像
我们使用如下两种方法来生成图像。
方法一：建立一个Pipeline
from diffusers import DDPMPipeline image_pipe = DDPMPipeline(unet=model, scheduler=noise_scheduler)pipeline_output = image_pipe()pipeline_output.images[0]
保存Pipeline到本地文件夹
image_pipe.save_pretrained("my_pipeline")
我们查看一下my_pipeline文件夹里面保存了什么？
!ls my_pipeline/# 输出model_index.json scheduler unet
scheduler和unet两个子文件夹包含了生成图像所需的全部组件，其中unet子文件夹包含了描述模型结构的配置文件config.json和模型参数文件diffusion_pytorch_model.bin
!ls my_pipeline/unet/# 输出config.json diffusion_pytorch_model.bin
我们只需要将 scheduler和unet两个子文件上传到Huggingface Hub中，就可以实现模型共享。
方法二：加入时间t进行循环采样
我们按照不同时间步t进行逐步采样，我们看一下生成的效果，代码如下：
# 随机初始化（8张随机图片）sample = torch.randn(8, 3, 32, 32).to(device) for i, t in enumerate(noise_scheduler.timesteps): # 获得模型的预测结果 with torch.no_grad(): residual = model(sample, t).sample # 根据预测结果更新图像 sample = noise_scheduler.step(residual, t, sample).prev_sample show_images(sample)
4.6 上传模型到Huggingface Hub
我们定义上传模型的名称，名称会包含用户名，代码如下：
from huggingface_hub import get_full_repo_name model_name = "sd-class-butterflies-32"hub_model_id = get_full_repo_name(model_name)hub_model_id
# 输出Arron/sd-class-butterflies-32
在Huggingface Hub上创建一个模型仓库并将其上传，代码如下：
from huggingface_hub import HfApi, create_repo create_repo(hub_model_id)api = HfApi()api.upload_folder( folder_path="my_pipeline/scheduler", path_in_repo="", repo_id=hub_model_id)api.upload_folder(folder_path="my_pipeline/unet", path_in_repo="", repo_id=hub_model_id)api.upload_file( path_or_fileobj="my_pipeline/model_index.json", path_in_repo="model_index.json", repo_id=hub_model_id,)
# 输出https://huggingface.co/Arron/sd-class-butterflies-32/blob/main/model_index.json
创建一个模型卡片以便描述模型的细节，代码如下：
from huggingface_hub import ModelCard content = f"""---license: mittags:- pytorch- diffusers- unconditional-image-generation- diffusion-models-class---# 这个模型用于生成蝴蝶图像的无条件图像生成扩散模型 '''pythonfrom diffusers import DDPMPipeline pipeline = DDPMPipeline.from_pretrained('{hub_model_id}')image = pipeline().images[0]image"""card = ModelCard(content) card.push_to_hub(hub_model_id)
# 输出https://huggingface.co/Arron/sd-class-butterflies-32/blob/main/README.md
至此，我们已经把自己训练好的模型上传到Huggingface Hub了，下面就可以使用DDPMPipeline的from_pretrained方法来加载模型了：
from diffusers import DDPMPipeline image_pipe = DDPMPipeline.from_pretrained(hub_model_id)pipeline_output = image_pipe()pipeline_output.images[0]