【PaddlePaddle Hackathon 第四期】No.105 作品提交:基于PaddleNLP PPDiffusers 训练 AIGC 趣味模型
【赛题链接】:https://github.com/PaddlePaddle/Paddle/issues/50631#task105
【PaddlePaddle Hackathon 第四期 任务总览】:https://github.com/PaddlePaddle/Paddle/issues/50629
【队名】:together
【模型简介】:This is my hometown
【模型链接】: https://huggingface.co/peteli/hometown
【AI Studio 项目地址】:https://aistudio.baidu.com/aistudio/projectdetail/5682527
【AI Studio 应用中心】:AIGC-HomeTown
1. 背景介绍
紫金花海
The Purple Flower Sea
紫金苑景区,金昌市民习惯称为“紫金花海”,位于金昌市区的北部,新华路街道天津路与泰安路交叉口北150米,总面积有700多亩。是按照景城一体化理念打造的香草花卉生态休闲旅游景区。
微风袭来
荡漾起的紫色“海浪”映入眼帘
沁人心脾的清香
淡淡地飘过每个角落
小憩在花海旁
倾听着花的物语
骑着单车
穿梭在紫色海洋
掠过小湖
静静享受紫色连波的浪漫
走过小桥
感受着紫色田园的美好
被花海围绕的湖边
倒映出一张张欢乐的笑脸
穿过小小的别墅庄园
来到充满爱意的婚礼广场
浪漫而惬意的气氛
像是走进了童话世界
蜜蜂在“海浪”中辛勤游荡
蝴蝶在“海浪”中嬉戏打闹
小鸟在“海浪”中合奏吟唱
人儿在“海浪”中忘记烦恼
一个个穿梭在“海浪”的身影
仿佛都在诉说着这别致的一切
迎着初秋的微风
远离城市的喧嚣
游荡在这梦幻浪漫的紫色海洋
把一切的不开心都遗忘
欢迎大家来紫色小城游玩噢~
2. 准备工作
2.1 环境安装
pip install "paddlenlp>=2.5.2" "ppdiffusers>=0.11.1" safetensors --user
# 请运行这里安装所需要的依赖环境!!
!pip install "paddlenlp==2.5.2" safetensors "ppdiffusers>=0.11.1" --user
2.2 Hugging Face Space 注册和登录
题目要求将模型上传到 Hugging Face,需要先注册、登录。
-
注册和登录:https://huggingface.co/join
-
获取登录 Token
-
Aistudio 登录 Huggingface Hub
Tips:为了方便我们之后上传权重,我们需要登录 Huggingface Hub,想要了解更多的信息我们可以查阅 官方文档。
# 登录 Huggingface Hub
!git config --global credential.helper store
from huggingface_hub import login
login()
VBox(children=(HTML(value='<center> <img\nsrc=https://huggingface.co/front/assets/huggingface_logo-noborder.sv…
- tips:如何检测是否登录成功?
打开日志控制控制台,查看日志。
登录成功时,日志如下:
3. 如何训练模型,并上传到HF
3.1 上传图片
- 首先,我们需要将所需训练的图片上传到aistudio上的文件夹, 我们可以通过👉拖拽上传 的方式,将我们所需的图片上传至指定的文件夹。
- 在这里,我们已经在👉hometown文件夹准备好了如下所示的5张图片。
3.2 训练参数调整
在训练过程中,我们可以尝试修改训练的默认参数,下面将从三个方面介绍部分参数。
👉主要修改的参数:
- pretrained_model_name_or_path :想要训练的模型名称或者本地路径的模型,例如:
"runwayml/stable-diffusion-v1-5"
,更多模型可参考 PaddleNLP 文档。- instance_data_dir:训练图片所在的文件夹目录,我们可以将图片上传至aistudio项目。
- instance_prompt:训练所使用的
Prompt
文本。- resolution:训练时图像的分辨率,建议为
512
。- output_dir:训练过程中,模型保存的目录。
- checkpointing_steps:每隔多少步保存模型,默认为
100
步。- learning_rate:训练使用的学习率,当我使用
LoRA
训练模型的时候,我们需要使用更大的学习率,因此我们这里使用1e-4
而不是2e-6
。- max_train_steps:最大训练的步数,默认为
500
步。
👉可选修改的参数:
- train_batch_size:训练时候使用的
batch_size
,当我们的GPU显存比较大的时候可以加大这个值,默认值为4
。- gradient_accumulation_steps:梯度累积的步数,当我们GPU显存比较小的时候还想模拟大的训练批次,我们可以适当增加梯度累积的步数,默认值为
1
。- seed:随机种子,设置后可以复现训练结果。
- lora_rank:
LoRA
层的rank
值,默认值为4,最终我们会得到 3.5MB 的模型,我们可以适当修改这个值,如:32、64、128、256
等。- lr_scheduler:学习率衰减策略,可以是
"linear", "constant", "cosine"
等。- lr_warmup_steps:学习率衰减前,
warmup
到最大学习率所需要的步数。
👉训练过程中评估使用的参数:
- num_validation_images:训练的过程中,我们希望返回多少张图片,默认值为
4
张图片。- validation_prompt:训练的过程中我们会评估训练的怎么样,因此我们需要设置评估使用的
prompt
文本。- validation_steps:每隔多少个
steps
评估模型,我们可以查看训练的进度条,知道当前到了第几个steps
。
🔥Tips:
训练过程中会每隔 validation_steps
将生成的图片保存到 {你指定的输出路径}/validation_images/{步数}.jpg
👉权重上传的参数:
- push_to_hub: 是否将模型上传到
huggingface hub
,默认值为False
。- hub_token: 上传到
huggingface hub
所需要使用的token
,如果我们已经登录了,那么我们就无需填写。- hub_model_id: 上传到
huggingface hub
的模型库名称, 如果为None
的话表示我们将使用output_dir
的名称作为模型库名称。
在下面的例子中,由于我们前面已经登录了,因此我们可以开启 push_to_hub 按钮,将最终训练好的模型同步上传到 huggingface.co
当我们开启push_to_hub
后,等待程序运行完毕后会自动将权重上传到这个路径 https://huggingface.co/{你的用户名}/{你指定的输出路径} ,例如: https://huggingface.co/peteli/hometown
!python train_dreambooth_lora.py \
--pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5" \
--instance_data_dir="./hometown" \
--output_dir="lora_outputs" \
--instance_prompt="a sea of purple and gold flowers" \
--resolution=512 \
--train_batch_size=1 \
--gradient_accumulation_steps=1 \
--checkpointing_steps=100 \
--learning_rate=1e-4 \
--lr_scheduler="constant" \
--lr_warmup_steps=0 \
--max_train_steps=1000 \
--seed=0 \
--lora_rank=4 \
--push_to_hub=False \
--validation_prompt="a sea of lavender and gold flowers in the world of fairy tales is my hometown" \
--validation_steps=100 \
--num_validation_images=4
3.3 可视化训练过程
VisualDL使用参考:官方教程
我们可以参照如图所示的步骤,开启visualdl,然后查看训练过程中的指标变化。
3.4 挑选满意的权重上传至Huggingface
参数解释:
- upload_dir:我们需要上传的文件夹目录。
- repo_name:我们需要上传的repo名称,最终我们会上传到 https://huggingface.co/{你的用户名}/{你指定的repo名称}, 例如: https://huggingface.co/peteli/hometown.
- pretrained_model_name_or_path:训练该模型所使用的基础模型。
- prompt:搭配该权重需要使用的Prompt文本。
from utils import upload_lora_folder
upload_dir = "lora_outputs" # 我们需要上传的文件夹目录
repo_name = "hometown" # 我们需要上传的repo名称
pretrained_model_name_or_path = "runwayml/stable-diffusion-v1-5" # 训练该模型所使用的基础模型
prompt = "a sea of lavender and gold flowers in the world of fairy tales is my hometown" # 搭配该权重需要使用的Prompt文本
upload_lora_folder(
upload_dir=upload_dir,
repo_name=repo_name,
pretrained_model_name_or_path=pretrained_model_name_or_path,
prompt=prompt,
)