【diffusers】(二) scheduler介绍 & 代码解析

Lcm_Tech

已于 2024-01-16 10:32:06 修改

阅读量3.6k

点赞数 12

分类专栏： diffusers 图像生成深度学习文章标签：深度学习计算机视觉 stable diffusion

于 2023-10-19 21:13:14 首次发布

本文链接：https://blog.csdn.net/Lizhi_Tech/article/details/133928749

版权

深度学习同时被 3 个专栏收录

22 篇文章 22 订阅

订阅专栏

图像生成

6 篇文章 4 订阅

订阅专栏

diffusers

3 篇文章 4 订阅

订阅专栏

1.简介

距离上一次更新已经很久了hhh，刚换了工作，最近才有时间更新博客。

ok接下来我们继续介绍diffusers中的模块，最重要的我觉得一定是scheduler，因为它这里面包含了扩散模型的基本原理，通过对代码的分析我们可以对论文中的公式有着更好的理解，同时scheduler也在DDPM的基础上优化了许多不同的版本，加深对这些scheduler的理解也可以帮助我们在实际选择scheduler时有更好的理论支持。

2.scheduler

Diffusion里的scheduler和pytorch里的scheduler完全不同，它的功能是实现逆向扩散，直观上理解的话它就是一个采样器，循环多个step把噪声图像逐渐还原为原始图像。根据采样方式不同，scheduler也有许多版本，包括DDPM，DDIM，DPM++ 2M Karras等。

注意：看下面内容前最好对扩散模型的原理有一定了解，可参考论文2006.11239.pdf (arxiv.org)

3.DDPM

接下来我们先以最基础的DDPM为例，分析diffusers库里的对应代码。代码在

diffusers/src/diffusers/schedulers/scheduling_ddpm.py中，以下是核心部分step函数的代码：

    def step(
        self,
        model_output: torch.FloatTensor,
        timestep: int,
        sample: torch.FloatTensor,
        generator=None,
        return_dict: bool = True,
    ) -> Union[DDPMSchedulerOutput, Tuple]:
        """
        Predict the sample from the previous timestep by reversing the SDE. This function propagates the diffusion
        process from the learned model outputs (most often the predicted noise).

        Args:
            model_output (`torch.FloatTensor`):
                The direct output from learned diffusion model.
            timestep (`float`):
                The current discrete timestep in the diffusion chain.
            sample (`torch.FloatTensor`):
                A current instance of a sample created by the diffusion process.
            generator (`torch.Generator`, *optional*):
                A random number generator.
            return_dict (`bool`, *optional*, defaults to `True`):
                Whether or not to return a [`~schedulers.scheduling_ddpm.DDPMSchedulerOutput`] or `tuple`.

        Returns:
            [`~schedulers.scheduling_ddpm.DDPMSchedulerOutput`] or `tuple`:
                If return_dict is `True`, [`~schedulers.scheduling_ddpm.DDPMSchedulerOutput`] is returned, otherwise a
                tuple is returned where the first element is the sample tensor.

        """
        t = timestep

        prev_t = self.previous_timestep(t)

        if model_output.shape[1] == sample.shape[1] * 2 and self.variance_type in ["learned", "learned_range"]:
            model_output, predicted_variance = torch.split(model_output, sample.shape[1], dim=1)
        else:
            predicted_variance = None

        # 1. compute alphas, betas
        alpha_prod_t = self.alphas_cumprod[t]
        alpha_prod_t_prev = self.alphas_cumprod[prev_t] if prev_t >= 0 else self.one
        beta_prod_t = 1 - alpha_prod_t
        beta_prod_t_prev = 1 - alpha_prod_t_prev
        current_alpha_t = alpha_prod_t / alpha_prod_t_prev
        current_beta_t = 1 - current_alpha_t

        # 2. compute predicted original sample from predicted noise also called
        # "predicted x_0" of formula (15) from https://arxiv.org/pdf/2006.11239.pdf
        if self.config.prediction_type == "epsilon":
            pred_original_sample = (sample - beta_prod_t ** (0.5) * model_output) / alpha_prod_t ** (0.5)
        elif self.config.prediction_type == "sample":
            pred_original_sample = model_output
        elif self.config.prediction_type == "v_prediction":
            pred_original_sample = (alpha_prod_t**0.5) * sample - (beta_prod_t**0.5) * model_output
        else:
            raise ValueError(
                f"prediction_type given as {self.config.prediction_type} must be one of `epsilon`, `sample` or"
                " `v_prediction`  for the DDPMScheduler."
            )

        # 3. Clip or threshold "predicted x_0"
        if self.config.thresholding:
            pred_original_sample = self._threshold_sample(pred_original_sample)
        elif self.config.clip_sample:
            pred_original_sample = pred_original_sample.clamp(
                -self.config.clip_sample_range, self.config.clip_sample_range
            )

        # 4. Compute coefficients for pred_original_sample x_0 and current sample x_t
        # See formula (7) from https://arxiv.org/pdf/2006.11239.pdf
        pred_original_sample_coeff = (alpha_prod_t_prev ** (0.5) * current_beta_t) / beta_prod_t
        current_sample_coeff = current_alpha_t ** (0.5) * beta_prod_t_prev / beta_prod_t

        # 5. Compute predicted previous sample µ_t
        # See formula (7) from https://arxiv.org/pdf/2006.11239.pdf
        pred_prev_sample = pred_original_sample_coeff * pred_original_sample + current_sample_coeff * sample

        # 6. Add noise
        variance = 0
        if t > 0:
            device = model_output.device
            variance_noise = randn_tensor(
                model_output.shape, generator=generator, device=device, dtype=model_output.dtype
            )
            if self.variance_type == "fixed_small_log":
                variance = self._get_variance(t, predicted_variance=predicted_variance) * variance_noise
            elif self.variance_type == "learned_range":
                variance = self._get_variance(t, predicted_variance=predicted_variance)
                variance = torch.exp(0.5 * variance) * variance_noise
            else:
                variance = (self._get_variance(t, predicted_variance=predicted_variance) ** 0.5) * variance_noise

        pred_prev_sample = pred_prev_sample + variance

        if not return_dict:
            return (pred_prev_sample,)

        return DDPMSchedulerOutput(prev_sample=pred_prev_sample, pred_original_sample=pred_original_sample)

大家从注释可以看出个大概，但是代码里面可能包含了一些额外的if判断导致不是很清楚，所以我把其中最关键的几句骨架提取出来。

alpha_prod_t = self.alphas_cumprod[t]
alpha_prod_t_prev = self.alphas_cumprod[prev_t] if prev_t >= 0 else self.one
beta_prod_t = 1 - alpha_prod_t
beta_prod_t_prev = 1 - alpha_prod_t_prev
current_alpha_t = alpha_prod_t / alpha_prod_t_prev
current_beta_t = 1 - current_alpha_t

以上代码作用是计算当前step的alpha和beta的对应参数，以上变量分别对应了论文中的

$\bar{\alpha _{t}} ,\bar{\alpha} _{t-1},\bar{\beta _{t}},\bar{\beta }_{t-1},\alpha _{t},\beta _{t}$

pred_original_sample = (sample - beta_prod_t ** (0.5) * model_output) / alpha_prod_t ** (0.5)

以上代码根据模型的预测噪声推出原始图像 $x_{0}$ ，也就是对应论文中公式（15），其中sample就是 $x_{t}$ ，代表当前step的加噪图像，model_output代表模型的预测噪声 $\epsilon$ 。

pred_original_sample_coeff = (alpha_prod_t_prev ** (0.5) * current_beta_t) / beta_prod_t
current_sample_coeff = current_alpha_t ** (0.5) * beta_prod_t_prev / beta_prod_t

pred_prev_sample = pred_original_sample_coeff * pred_original_sample + current_sample_coeff * sample

以上代码计算了 $x_{0}$ 和 $x_{t}$ 的系数，对应公式（7）， $x_{0}$ 代表上一步计算的原始图像， $x_{t}$ 代表当前step的加噪图像， $\mu _{t}$ 代表的是分布的均值，对应着代码中的pred_prev_sample。

pred_prev_sample = pred_prev_sample + variance

最后则是在均值上加上噪声variance。

所以总体而言，整个流程满足公式（6），相当于是在基于 $x_{0}$ 和 $x_{t}$ 基础上 $x_{t-1}$ 的条件概率，而同时也是求一个分布，其中方差（即噪声）完全由step决定，而均值则由初始图像 $x_{0}$ 和当前噪声图像 $x_{t}$ 决定， $x_{0}$ 又通过模型预测得到噪声 $\epsilon$ 计算得到。

4.其他采样器

其实在DDPM中，我们已经得到直接求得 $x_{0}$ ，为什么还要不断迭代去求 $x_{t-1}$ 呢？

个人理解有以下几点可能性，可能不正确，欢迎讨论：

1）逆向扩散时的条件是满足马尔可夫链，即逆向噪声和正向噪声一样，也是微小高斯噪声，如果直接预测 $x_{0}$ 则不满足微小高斯噪声的条件。

2）不断迭代意味着在加噪图像基础上不断细化，这样可以更好控制生成图像中的像素细节。

3）用来计算 $x_{0}$ 的 $\epsilon$ 是由 $x_{t}$ 通过网络预测得到，这就意味着 $\epsilon$ 有着很大的随机性和不稳定性，因此直接用一个由初始随机正态噪声图预测得到的 $\epsilon$ 是具有很大不确定性的，用这个 $\epsilon$ 去直接计算 $x_{0}$ 效果也可想而知。因此不断在上一个step的条件上去细化和加上随机噪声（方差），可以带来更多的稳定性和随机性。

当然后续也有很多对DDPM进行改进的，来提高推理时间，包括像DDIM，rectified flow等，这里我们拿DDIM来举例。

DDIM就是针对上述DDPM的缺点，去除了马尔可夫条件的限制，重新推导出逆向扩散方程，在代码scheduling_ddim.py中我们也可以看到对应的修改：

std_dev_t = eta * variance ** (0.5)
pred_sample_direction = (1 - alpha_prod_t_prev - std_dev_t**2) ** (0.5) * pred_epsilon
prev_sample = alpha_prod_t_prev ** (0.5) * pred_original_sample + pred_sample_direction

prev_sample = prev_sample + variance

这样我们就可以每次迭代中跨多个step，从而减少推理迭代次数和时间。

当然除了基于DDIM之外还有很多不同原理的采样器，比如Euler，它是基于ODE的比较基础的采样器，以下是Euler在diffusers库scheduling_euler_discrete.py中的核心代码：

pred_original_sample = sample - sigma_hat * model_output

derivative = (sample - pred_original_sample) / sigma_hat
dt = self.sigmas[self.step_index + 1] - sigma_hat
prev_sample = sample + derivative * dt

从代码中可以看出大概的流程：通过对应step的噪声程度预测初始图像，然后通过微分求得对应的梯度方向，然后再向该方向迈进一定步长。

DPM++则会自适应调整步长，DPM2额外考虑了二阶动量，使得结果更准确，但速度更慢。

如果加了a，则表示每次采样后会加噪声，这样可能会导致最后不收敛，但随机性会更强。

如果加了Karras，则代表使用了特定的Karras噪声step表。

如果加了SDE，则代表使用了Score-based SDE方法，使采样过程更加稳定。

后续会介绍diffusers如何训练及数据准备，包括unconditional、txt2img、controlnet等结构。

业务合作/学习交流+v：lizhiTechnology

如果想要了解更多diffusers相关知识，可以参考我的专栏和其他相关文章：

diffusers_Lcm_Tech的博客-CSDN博客

【diffusers】(一) diffusers库介绍 & 框架代码解析-CSDN博客

【diffusers】(二) scheduler介绍 & 代码解析_ddpmscheduler-CSDN博客

【diffusers】(三) pipeline原理及自定义训练推理-CSDN博客

如果想要了解更多深度学习相关知识，可以参考我的其他文章：

深度学习_Lcm_Tech的博客-CSDN博客

【优化器】(一) SGD原理 & pytorch代码解析_sgd优化器-CSDN博客

【损失函数】(一) L1Loss原理 & pytorch代码解析_l1 loss-CSDN博客

【图像生成】(一) DNN 原理 & pytorch代码实例_pytorch dnn代码-CSDN博客

Lcm_Tech

关注

12
点赞
踩
25

收藏

觉得还不错? 一键收藏
1
评论
【diffusers】(二) scheduler介绍 & 代码解析

距离上一次更新已经很久了hhh，刚换了工作，最近才有时间更新博客。ok接下来我们继续介绍diffusers中的模块，最重要的我觉得一定是，因为它这里面包含了扩散模型的基本原理，通过对代码的分析我们可以对论文中的公式有着更好的理解，同时scheduler也在DDPM的基础上优化了许多不同的版本，加深对这些scheduler的理解也可以帮助我们在实际选择scheduler时有更好的理论支持。
复制链接

扫一扫