Datawhale X 魔搭第四期 AIGC文生图方向-Task03笔记

最新推荐文章于 2024-09-13 18:17:45 发布

Eklas

最新推荐文章于 2024-09-13 18:17:45 发布

阅读量796

点赞数 20

文章标签： AIGC 笔记人工智能

本文链接：https://blog.csdn.net/kkk404505/article/details/141280300

版权

Hello，各位小伙伴们，继上一次我们精读并跑通了baseline2后，我们对AIGC文生图方向又有了更进一步的了解。今天呢我们实现AIGC方向的进阶上分，还在犹豫什么，还不快快行动起来~

好，话不多说，今天我们就来聊聊ComfyUI和Lora微调吧~

初识ComfyUI

安装并运行ComfyUI

Lora微调

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。

这里小编给大家普及一下：我们普通用户用ComfyUI生图时主要是通过修改提示词（Prompt）进行生图的，像我在这幅图中，我正向的提示词是：荒谬的，荒诞的，达达派的，扭曲变形的时钟，深红色的海水，融化到一半的钟表；反向的提示词是真实的，现实的。按下Queue Prompt后就可以得到我们想要的图片啦~

ComfyUI核心代码

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，

Model：最开始的模型文件，代码和数据模型

CLIP：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

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

提示词管理器：Prompt，包含正向提示词和反向提示词两个方向（即用户希望呈现的和用户不希望呈现的）

采样器：在图像生成领域扮演着至关重要的角色，它们通过特定的算法逐步减少图像中的噪声，直至达到收敛状态，从而决定生成图像的质量和效率。

1.逐步减小噪声：通过特定的算法，采样器逐步减少图像中的噪声，这是一个逐步优化的过程，直到图像达到一个满意的收敛状态。这个过程直接影响了最终生成图像的质量。

2.‌调节去噪过程：调度器负责调节去噪过程的强度，确保每一步的噪声减少既有效又精确。这有助于平衡图像的质量和生成效率。

‌3.提供多种采样方法‌：ComfyUI提供了多种采样器，如Euler、DPM2、DDIM等，每种采样器都有其特定的优势和适用场景。选择合适的采样器对于生成高质量的图像至关重要

4.‌优化性能和效率‌：通过集成采样器，开发者可以实时监测和分析组件的加载速度、渲染时间等性能指标，从而优化UI性能。这有助于提升设计和开发过程的效率。

5.用户体验测试和A/B测试‌：采样器还可以帮助记录用户的操作路径，分析用户在实际场景下的使用体验，进行A/B测试，找出最符合用户需求的设计方案。

6.‌自动化调试‌：采集用户界面的行为数据，辅助开发者定位并解决代码层面的兼容性和功能性问题，提升产品质量。

这里我们采用的采样器是Stable Diffusion，Stable Diffusion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。

解码器： VAE模块

ComfyUI图片生成流程

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。

安装并运行ComfyUI

在这里，我们依旧选择使用魔搭社区提供的Notebook和免费的GPU算力体验来体验ComfyUI。

下载安装 ComfyUI的执行文件和 task1中微调完成Lora文件

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/

将这段代码粘贴上去

小可爱们可以用带Lora的工作流脚本对ComfyUI进行微调，但在通过Load引入文件后要记得更改Lora文件的地址。

Lora微调

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。

Lora微调的原理

‌LoRA微调的原理主要依赖于‌低秩矩阵分解和‌参数重参技术，以在保留预训练模型性能的同时，减少对新任务微调所需的参数数量和计算资源。

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。

低秩矩阵分解：在LoRA中，新任务所需的新权重矩阵被分解为两个低秩矩阵A和B。这些矩阵的秩远小于原始模型的参数维度，从而极大地减少了需要训练的参数数量。这种分解通过保持原始权重W不变，只更新小矩阵A和B的参数来实现，这有助于减少计算复杂度和加快训练速度。‌

参数重参技术：在训练完成后，通过重参技术将A、B矩阵与原始模型参数合并，使得模型能够在保持推理时间不变的情况下，具备对新任务的适应能力。这种技术避免了在推理阶段引入额外的计算开销，从而保持了模型的效率。‌

应用场景：LoRA特别适用于大型语言模型等复杂模型的微调，如‌GPT-3等。通过这种方法，可以在不显著增加计算负担的情况下，使模型适应新的任务和数据。‌

如果想要详细了解一下的小伙伴可以参考一下这里：通俗易懂理解全量微调和LoRA微调_哔哩哔哩_bilibili

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。

Lora详解

import os
cmd = """
python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \ # 选择使用可图的Lora训练脚本DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py
  --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \ # 选择unet模型
  --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \ # 选择text_encoder
  --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \ # 选择vae模型
  --lora_rank 16 \ # lora_rank 16 表示在权衡模型表达能力和训练效率时，选择了使用 16 作为秩，适合在不显著降低模型性能的前提下，通过 LoRA 减少计算和内存的需求
  --lora_alpha 4.0 \ # 设置 LoRA 的 alpha 值，影响调整的强度
  --dataset_path data/lora_dataset_processed \ # 指定数据集路径，用于训练模型
  --output_path ./models \ # 指定输出路径，用于保存模型
  --max_epochs 1 \ # 设置最大训练轮数为 1
  --center_crop \ # 启用中心裁剪，这通常用于图像预处理
  --use_gradient_checkpointing \ # 启用梯度检查点技术，以节省内存
  --precision "16-mixed" # 指定训练时的精度为混合 16 位精度（half precision），这可以加速训练并减少显存使用
""".strip()
os.system(cmd) # 执行可图Lora训练

UNet、VAE和文本编码器的协作关系

首先我们先来了解一下这三个概念：

UNet：U-Net是一种特殊的卷积神经网络（CNN），它被设计用于处理图像分割问题。U-Net的主要特点是其网络结构类似于“U”形，因此得名。它结合了编码器（encoder）和解码器（decoder）的结构，通过跳跃连接（skip connections）将编码器中的特征图与解码器中的特征图进行连接，以实现更精细的分割。这种结构使得U-Net在处理需要精确边界定位的图像分割任务时表现出色。
VAE：VAE是变分自编码器的简称。‌它是一种生成模型，结合了神经网络和概率模型，旨在学习输入数据的压缩表示（编码）以及从该表示生成原始数据（解码）。VAE通过将编码器看作一个概率分布，并从这个分布中采样潜在表示，然后通过解码器将这个潜在表示转换回原始数据空间。这种结构使得VAE能够在生成模型中引入随机性，从而允许模型学习数据中的潜在变化。VAE的核心思想是将编码过程视为从输入数据中学习一个潜在表示的分布参数，并通过从该分布中采样潜在表示来生成数据。这个过程包括两个主要部分：编码器和解码器。编码器负责将输入数据压缩成一个潜在表示的参数（均值和方差），而解码器则负责从这些参数中生成新的数据实例。通过优化一个包含重构误差和潜在表示分布匹配损失的损失函数，VAE能够在生成数据的同时，学习输入数据的潜在结构。
文本编码器：文本编码器通常指的是一种特殊的Transformer语言模型，它接收文本作为输入，然后输出一个数组表示每个词/表征（每个表征都是一个向量）。这些信息随后被提供给由一堆组件构成的“图像生成器”，用于控制图像生成过程。

在大致了解了它们的功能后，我们再来看看它们的协作关系：

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

好啦，今天的科普就到这里了，感兴趣的小伙伴快行动起来吧~