Datawhale X 魔搭 AI夏令营第四期 魔搭-AIGC方向 task03笔记

上节回顾：

在test02中，我们对代码进行了精读，知道代码的构成，并学习如何运用AI帮助我们更好的完成我们的制图，同时对零代码文生图平台secpter webui也有了一个初步的理解。（详情可以看我发布的test02笔记）

本节目标：

今天的任务是了解微调的基本原理，然后我们会对微调的各种参数有一个更加清楚的了解，来实现一个更好的效果，并且在这个Task中会给大家介绍一下文生图的工作流平台工具ComfyUI，来实现一个更加高度定制的文生图。今天也是我参加第四期AIGC方向的最后一期笔记啦，要把最好的笔记留到最后(#^.^#)。希望自己能顺利结业，也很感谢这个机会让我接触更多以前接触不到的知识，今后也会努力学习！

PART 1.工具初探一ComfyUI应用场景探索：

1.1 初识ComfyUI

GUI 是 "Graphical User Interface"（图形用户界面）的缩写。简单来说，GUI 就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。ComfyUI 是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生成技术，ComfyUI 的特别之处在于它采用了一种模块化的设计，把图像生成的过程分解成了许多小的步骤，每个步骤都是一个节点。这些节点可以连接起来形成一个工作流程，这样用户就可以根据需要定制自己的图像生成过程，使得开发者可以专注于功能实现和用户体验优化，而不必花费大量时间在复杂的界面布局和样式配置上。

询问AI，它告诉我ComfyUI的一些可能特性和优点：

1. 组件库：ComfyUI通常提供一系列预定义的UI组件，比如按钮、表单、卡片等。这些组件可以直接使用，节省开发时间。
2. 响应式设计：支持响应式布局，使得创建适合各种屏幕尺寸的界面变得更加容易。
3. 自定义性：虽然有预定义组件，但ComfyUI通常也允许高度自定义，以满足不同项目的独特需求。
4. 文档和示例：提供详尽的文档和使用示例，帮助开发者快速上手并解决常见问题。
5. 无缝集成：容易与其他流行的前端框架和库（如React, Vue, Angular等）集成，增强项目的灵活性和可维护性。

1.2 ComfyUI核心模块

核心模块由模型加载器、提示词管理器、采样器、解码器。

• 模型加载器：Load Checkpoint用于加载基础的模型文件，包含了Model、CLIP、VAE三部分CLIP模块将文本类型的输入变为模型可以理解的latent space embedding作为模型的输入

• 解码器：VAE模块的作用是将Latent space中的embedding解码为像素级别的图像

• 采样器：用于控制模型生成图像，不同的采样取值会影响最终输出图像的质量和多样性。采样器可以调节生成过程的速度和质量之间的平衡。

Stable Diffusion 是一种深度学习模型，用于生成高度逼真的图像。它基于扩散模型（diffusion models），这种模型通过逐步去噪的过程生成图像。Stable Diffusion 在图像生成任务中表现出色，特别是在生成高质量、复杂结构的图像方面。它的基本原理是通过降噪的方式（如完全的噪声图像），将一个原本的噪声信号变为无噪声的信号（如人可以理解的图像）。其中的降噪过程涉及到多次的采样。采样的系数在KSampler中配置：

• seed：控制噪声产生的随机种子

• control_after_generate：控制seed在每次生成后的变化

• steps：降噪的迭代步数，越多则信号越精准，相对的生成时间也越长

• cfg：classifier free guidance决定了prompt对于最终生成图像的影响有多大。更高的值代表更多地展现prompt中的描述。

• denoise: 多少内容会被噪声覆盖 sampler_name、scheduler：降噪参数。

 

1.3 ComfyUI图片生成流程

 

下面是我根据自己查询大致总结的流程：

    1. 安装和设置

    2. 启动 ComfyUI

    3. 加载模型

    4. 配置生成参数

    5. 运行生成过程

    6. 查看和保存生成结果

    7. 后处理（可选）

    8. 反馈和调整

1.4  ComfyUI的优势

模块化和灵活性：ComfyUI 提供了一个模块化的系统，用户可以通过拖放不同的模块来构建复杂的工作流程。这种灵活性允许用户根据自己的需求自由组合和调整模型、输入、输出、和其他处理步骤。

可视化界面：ComfyUI 提供了直观的图形界面，使得用户能够更清晰地理解和操作复杂的 AI 模型和数据流。这对没有编程背景的用户特别有帮助，使他们能够轻松构建和管理工作流程。

多模型支持：ComfyUI 支持多个不同的生成模型，用户可以在同一平台上集成和切换使用不同的模型，从而实现更广泛的应用场景。

调试和优化：通过其可视化界面，ComfyUI 使得调试生成过程变得更简单。用户可以轻松地追踪数据流，识别并解决问题，从而优化生成结果。

开放和可扩展：ComfyUI 是一个开源项目，具有高度的可扩展性。开发者可以根据需要编写新的模块或插件，扩展系统功能，并根据项目需求进行定制。

用户友好性：尽管其功能强大，但 ComfyUI 仍然保持了用户友好性，即使对于复杂任务，也能以相对简单的方式完成，使其成为生成式 AI 工作流程管理的有力工具。

2. 安装ComfyUI（实操部分）

嗯嗯总之就进入之前已经建好的，然后下载一些需要的库啥的，代码也都给了。

git lfs install git clone https://www.modelscope.cn/datasets/maochase/kolors_test_comfyui.git mv kolors_test_comfyui/* ./ rm -rf kolors_test_comfyui/ mkdir -p /mnt/workspace/models/lightning_logs/version_0/checkpoints/ mv epoch=0-step=500.ckpt /mnt/workspace/models/lightning_logs/version_0/checkpoints/

#下载的代码，复制一下回车就行

等他下载等了好久o(╥﹏╥)o

然后就会进入这样的一个界面

3. 浅尝ComfyUI工作流

3.1 不带Lora的工作流样例

PART2 .Lora微调

1.Lora简介

LoRA (Low-Rank Adaptation) 微调是一种用于在预训练模型上进行高效微调的技术。它可以通过高效且灵活的方式实现模型的个性化调整，使其能够适应特定的任务或领域，同时保持良好的泛化能力和较低的资源消耗。这对于推动大规模预训练模型的实际应用至关重要。

1.1 Lora微调的原理

LoRA通过在预训练模型的关键层中添加低秩矩阵来实现。这些低秩矩阵通常被设计成具有较低维度的参数空间，这样它们就可以在不改变模型整体结构的情况下进行微调。在训练过程中，只有这些新增的低秩矩阵被更新，而原始模型的大部分权重保持不变。

1.2 Lora微调的优势

快速适应新任务

在特定领域有少量标注数据的情况下，也可以有效地对模型进行个性化调整，可以迅速适应新的领域或特定任务。

保持泛化能力

LoRA通过微调模型的一部分，有助于保持模型在未见过的数据上的泛化能力，同时还能学习到特定任务的知识。

资源效率

LoRA旨在通过仅微调模型的部分权重，而不是整个模型，从而减少所需的计算资源和存储空间。

2. Lora详解 

UNet、VAE和文本编码器的协作关系

• UNet：负责根据输入的噪声和文本条件生成图像。在Stable Diffusion模型中，UNet接收由VAE编码器产生的噪声和文本编码器转换的文本向量作为输入，并预测去噪后的噪声，从而生成与文本描述相符的图像

• VAE：生成模型，用于将输入数据映射到潜在空间，并从中采样以生成新图像。在Stable Diffusion中，VAE编码器首先生成带有噪声的潜在表示，这些表示随后与文本条件一起输入到UNet中

• 文本编码器：将文本输入转换为模型可以理解的向量表示。在Stable Diffusion模型中，文本编码器使用CLIP模型将文本提示转换为向量，这些向量与VAE生成的噪声一起输入到UNet中，指导图像的生成过程

下面就是选择相关数据集啦，嗯嗯我总结一下就是根据自己需求，确定高质量的数据集，注意数量要够！！！！！

结语：

这个为期几天的活动还是收获颇丰的，，但后面咋说呢，又有点蒙了，笔记做的乱七八糟，希望助教不要给我0分  o(╥﹏╥)o  o(╥﹏╥)o。以后也会自己更多的钻研吧，希望能进步。