Stable Diffusion不同部件拆分详解

最新推荐文章于 2024-10-18 14:03:54 发布

AI大模型-搬运工

最新推荐文章于 2024-10-18 14:03:54 发布

阅读量709

点赞数 27

文章标签： stable diffusion 大语言模型自然语言处理深度学习人工智能 transformer 扩散模型

本文链接：https://blog.csdn.net/2401_84208172/article/details/142411719

版权

看到很多文章对Stable Diffusion各种原理、详解等，但是么有看到有文章细拆里面各个子模块在做啥，怎么做的，所以就会遇到整体原理理解很透传，问到细节就卡住，这段时间细看了一下文章，对各个部分做一个拆解详解。

Stable Diffusion由多个子网络组成，包括文本编码器、UNet和VAE三大部分。组合在一起可以看做一个接收文本输入，输出图像的模型。

整体上看是一个接收文本输入，并输出图像的模型。Stable Diffusion处理的过程如下：

输入文本，使用CLIP模型对文本进行编码，获得文本Embedding
噪声输入VAE编码器，获取潜空间生成噪声Latent
将文本Embedding和Latent输入UNet模型，预测Latent中的噪声
去除Latent中的噪声，去除噪声后的结果重新赋值为Latent
重复步骤3、4直至噪声去除干净（step=30/50/1000等）
将Latent传入VAE解码器，得到最终生成图片

在整个网络训练过程当中，VAE编码器和解码器是在大量数据上预训练获取，CLIP Text Encoder使用大量的文本-图像对坐预训练，整个模型的核心是一个UNet噪声预测网络。不同于GAN直接从噪声中生成图片，Stable Diffusion会进行多次预测噪声并降噪，最终生成图片。

VAE

VAE模型在Diffusion Model里面并非必要的，因为Unet是可以直接接收图像输入，但是因为图像维度较高，增加计算量，训练效率降低，实际上VAE在Stable Diffusion中是作为一种提效的方法，减少了图片生成的资源需求。

VAE由Encoder和Decoder两个部分组成，首先需要输入x，经过Encoder编码后，得到（μ，σ），分别表示均值和方差，这两个变量可以确定一个分布，然后在当前分布中采样出样本z。z通常是一个比x维度更低的向量。采样出来的z输入Decoder，希望Decoder的输出x`与输入的x越接近越好。这样就达到了图像压缩的效果。

在训练Stable Diffusion时，会把图片输入VAE的Encoder，然后再拿来训练UNet，这样就可以在更低的维度空间训练图像生成模型，这样就可以减少资源的消耗。

问题就来了，VAE为什么能够作为图像恢复使用？

说到VAE就不得不先说一下AutoEncoder（AE：自编码器）

AE的Encoder是将图片映射成“数值编码”
Decoder是将“数值编码”映射成图片

这样存在的问题是，在训练过程中，随着不断降低输入图片与输出图片之间的误差，模型会过拟合，泛化性能不好。也就是说对于一个训练好的AE，输入固定的一张图片，就只会将其编码为确定的code，对于Decoder输入某个确定的code就只会输出某个确定的图片，并且如果这个code来自于没见过的图片，那么生成的图片也不会好。所以AE多用于数据的压缩和恢复，用于数据生成时效果并不理想。

那么VAE的为什么可以呢？实际上VAE不是将图片映射成“数值编码”，而将其映射成“分布”。举一个例子，假设人脸的属性只有6个维度[smile,skin tone, gender, beard,glasses,hair color]，使用大型人脸数据集上训练了一个自编码器模型，理想的自编码器将学习人脸的描述性属性，如肤色、是否戴眼镜等，模型试图用一些压缩的表示来描述观，我们可能更倾向于将每个潜在属性表示为可能值的范围，比如概率在0~5之间认为是【笑】，其他是【不笑】。通过这种方法，我们现在将给定输入的每个潜在属性表示为概率分布。当从潜在状态解码时，我们将从每个潜在状态分布中随机采样，生成一个向量作为解码器模型的输入来得到对应的图像。

通过构造的编码器模型来输出可能值的范围（统计分布），我们将随机采样这些值以供给我们的解码器模型，我们实质上实施了连续，平滑的潜在空间表示。对于潜在分布的所有采样，期望解码器模型能够准确重构输入。因此，在潜在空间中彼此相邻的值应该与非常类似的重构相对应。

那也可以看出来，VAE的缺点是生成的数据不一定那么“真”，存在中间值，比如二分类猫狗数据，会存在一段概率分布在猫狗之间，那么解码器生成的图像会是即像猫又像狗，这也是现在SD等生图模型的结果会存在四不像。

Text Encoder CLIP

先看整体结构，是不是十分的清爽，简单明了。包括两个部分，即文本编码器（Text Encoder）和图像编码器（Image Encoder)。Text Encoder选择的是Text Transformer模型；Image Encoder选择了两种模型，一是基于CNN的ResNet（对比了不同层数的ResNet），二是基于Transformer的ViT。

CLIP在文本-图像对数据集上的对比学习训练过程如下：

对于一个包含N个<文本-图像>对的训练batch，使用Text Encoder和Image Encoder提取N个文本特征和N个图像特征。
这里共有N个正样本，即真正属于一对的文本和图像（矩阵中的对角线元素），而剩余的文本-图像对皆为负样本。
将N个文本特征和N个图像特征两两组合，CLIP模型会预测出 N^2个可能的文本-图像对的相似度，这里的相似度直接计算文本特征和图像特征的余弦相似性（cosine similarity），即图中所示的矩阵。
CLIP的训练目标就是最大化N个正样本的相似度，同时最小化N^2−N个负样本的相似度，即最大化对角线中蓝色的数值，最小化其它非对角线的数值

Image_features = image_encoder(I) #[n, d_i]  
Text_features = text_encoder(T) #[n, d_t]  
  
# 对两个特征进行线性投射，得到相同维度的特征，并进行l2归一化  
Image_embedding = l2_normalize(np.dot(Image_features, W_i), axis=1)  
Text_embedding = l2_normalize(np.dot(Text_features, W_t), axis=1)  
  
# 计算缩放的余弦相似度：[n, n]  
logits = np.dot(Image_embedding, Text_embedding.T) * np.exp(t)  
  
# 对称的对比学习损失：等价于N个类别的cross_entropy_loss  
labels = np.arange(n) # 对角线元素的labels  
loss_i = cross_entropy_loss(logits, labels, axis=0)  
loss_t = cross_entropy_loss(logits, labels, axis=1)  
loss = (loss_i + loss_t)/2

思考题：CLIP的text Encoder为什么能在Stable Diffusion中用来做Unet的去噪Condition？

文本直接输入网络需要转换为特征，其实现在有很多预训练好的文本编码器效果都很好，为什么当时优先选择了CLIP呢，大概率是因为CLIP的text Encoder在训练过程当中和图像进行了对齐，因为本身来讲图像和文本是两个域的数据，由于跨域之后一般不可比的原因，所以优先选择了CLIP，预训练时候已经把text和image做对齐，引起拿到对应的输入信息之后，可以类比为图像信息，对去噪进行增加，提高生成图像的效果。
CLIP的text Encoder较小，训练效率高

Unet

UNet模型在结构与VAE非常相似，也是Encoder-Decoder架构。在Stable Diffusion中，UNet作为一个噪声预测网络，在生图过程中需要进行多次推理，逐步预测当前step的噪声进行去噪，得到最终结果。首先不考虑VAE的介入，来看看UNet在Stable Diffusion中的作用。

实际上UNet在Stable Diffusion中充当噪声预测的功能。UNet接收一张带有噪声的图片，输出图片中的噪声，根据带噪声的图片和噪声我们可以得到加噪前的图片。这个降噪的过程通常会重复N遍。

知道UNet的作用后，就需要创建数据集了。输入只需要图片即可，拿到图片对该图片进行n次加噪，直到原图变成完全噪声。而加噪前的图片可以作为输入，加噪后的数据可以作为输出。如图所示：

在加噪的过程中，噪声逐步增大。因此在去噪的过程中，需要有噪声图片，以及当前加噪的step，然后预测对应的噪声进行去噪。下图是噪声预测部分的结构：

最后图像生成的步骤就是不停降噪的步骤：

最后，再加入VAE。加噪和预测噪声的步骤不再是作用在原图上，而是作用在VAE Encoder的输出上面，这样我们就可以在较小的图像（latents）上完成UNet的训练，极大减少资源的消耗。

loss是如何计算的：降噪过程中Unet是在学习噪声分布，loss是约束每次添加的噪声和网络输出的噪声之间的距离，即前向加噪过程可以得到样本和噪声标签，反向过程进行计算可以得到对应的loss。

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

在这里插入图片描述

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。