Diffusers documentation
Kandinsky 2.2
Kandinsky 2.2
此脚本是实验性的，容易过拟合并遇到灾难性遗忘等问题。尝试探索不同的超参数以在您的数据集上获得最佳结果。
Kandinsky 2.2 是一个多语言文本到图像模型，能够生成更逼真的图像。该模型包括一个图像先验模型，用于从文本提示创建图像嵌入，以及一个解码器模型，基于先验模型的嵌入生成图像。这就是为什么在 Diffusers 中您会找到两个独立的脚本用于 Kandinsky 2.2，一个用于训练先验模型，另一个用于训练解码器模型。您可以分别训练这两个模型，但为了获得最佳结果，您应该同时训练先验和解码器模型。
根据您的 GPU，您可能需要启用 gradient_checkpointing（⚠️ 不支持先验模型！）、mixed_precision 和 gradient_accumulation_steps 来帮助将模型装入内存并加速训练。您可以通过启用 xFormers 的内存高效注意力来进一步减少内存使用（版本 v0.0.16 在某些 GPU 上训练时失败，因此您可能需要安装开发版本）。
本指南探讨了 train_text_to_image_prior.py 和 train_text_to_image_decoder.py 脚本，以帮助您更熟悉它，以及如何根据您的用例进行调整。
在运行脚本之前，请确保从源代码安装库：
git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .然后导航到包含训练脚本的示例文件夹，并安装脚本所需的依赖项：
cd examples/kandinsky2_2/text_to_image
pip install -r requirements.txt🤗 Accelerate 是一个帮助您在多个 GPU/TPU 上或使用混合精度进行训练的库。它会根据您的硬件和环境自动配置训练设置。查看 🤗 Accelerate 的 快速入门 了解更多。
初始化一个 🤗 Accelerate 环境：
accelerate config
要设置一个默认的 🤗 Accelerate 环境而不选择任何配置：
accelerate config default
或者，如果您的环境不支持交互式 shell，比如 notebook，您可以使用：
from accelerate.utils import write_basic_config
write_basic_config()最后，如果您想在自己的数据集上训练模型，请查看 创建用于训练的数据集 指南，了解如何创建与训练脚本兼容的数据集。
以下部分重点介绍了训练脚本中对于理解如何修改它很重要的部分，但并未详细涵盖脚本的每个方面。如果您有兴趣了解更多，请随时阅读脚本，并让我们知道您有任何疑问或顾虑。
脚本参数
训练脚本提供了许多参数来帮助您自定义训练运行。所有参数及其描述都可以在 parse_args() 函数中找到。训练脚本为每个参数提供了默认值，例如训练批次大小和学习率，但如果您愿意，也可以在训练命令中设置自己的值。
例如，要使用 fp16 格式的混合精度加速训练，请在训练命令中添加 --mixed_precision 参数：
accelerate launch train_text_to_image_prior.py \
--mixed_precision="fp16"大多数参数与 文本到图像 训练指南中的参数相同，所以让我们直接进入 Kandinsky 训练脚本的 walkthrough！
Min-SNR 加权
Min-SNR 加权策略可以通过重新平衡损失来帮助训练，实现更快的收敛。训练脚本支持预测 epsilon（噪声）或 v_prediction，但 Min-SNR 与两种预测类型都兼容。此加权策略仅由 PyTorch 支持，在 Flax 训练脚本中不可用。
添加 --snr_gamma 参数并将其设置为推荐值 5.0：
accelerate launch train_text_to_image_prior.py \ --snr_gamma=5.0
训练脚本
训练脚本也类似于 文本到图像 训练指南，但已修改以支持训练 prior 和 decoder 模型。本指南重点介绍 Kandinsky 2.2 训练脚本中独特的代码。
main() 函数包含代码 f
或准备数据集和训练模型。
您会立即注意到的主要区别之一是，训练脚本除了调度器和分词器外，还加载了一个 CLIPImageProcessor 用于预处理图像，以及一个 CLIPVisionModelWithProjection 模型用于编码图像：
noise_scheduler = DDPMScheduler(beta_schedule="squaredcos_cap_v2", prediction_type="sample")
image_processor = CLIPImageProcessor.from_pretrained(
args.pretrained_prior_model_name_or_path, subfolder="image_processor"
)
tokenizer = CLIPTokenizer.from_pretrained(args.pretrained_prior_model_name_or_path, subfolder="tokenizer")
with ContextManagers(deepspeed_zero_init_disabled_context_manager()):
image_encoder = CLIPVisionModelWithProjection.from_pretrained(
args.pretrained_prior_model_name_or_path, subfolder="image_encoder", torch_dtype=weight_dtype
).eval()
text_encoder = CLIPTextModelWithProjection.from_pretrained(
args.pretrained_prior_model_name_or_path, subfolder="text_encoder", torch_dtype=weight_dtype
).eval()Kandinsky 使用一个 PriorTransformer 来生成图像嵌入，因此您需要设置优化器来学习先验模型的参数。
prior = PriorTransformer.from_pretrained(args.pretrained_prior_model_name_or_path, subfolder="prior")
prior.train()
optimizer = optimizer_cls(
prior.parameters(),
lr=args.learning_rate,
betas=(args.adam_beta1, args.adam_beta2),
weight_decay=args.adam_weight_decay,
eps=args.adam_epsilon,
)接下来，输入标题被分词，图像由 CLIPImageProcessor 预处理：
def preprocess_train(examples):
images = [image.convert("RGB") for image in examples[image_column]]
examples["clip_pixel_values"] = image_processor(images, return_tensors="pt").pixel_values
examples["text_input_ids"], examples["text_mask"] = tokenize_captions(examples)
return examples最后，训练循环 将输入图像转换为潜在表示，向图像嵌入添加噪声，并进行预测：
model_pred = prior(
noisy_latents,
timestep=timesteps,
proj_embedding=prompt_embeds,
encoder_hidden_states=text_encoder_hidden_states,
attention_mask=text_mask,
).predicted_image_embedding如果您想了解更多关于训练循环的工作原理，请查看 理解管道、模型和调度器 教程，该教程分解了去噪过程的基本模式。
启动脚本
一旦您完成了所有更改或接受默认配置，就可以启动训练脚本了！🚀
您将在Naruto BLIP 字幕数据集上进行训练，以生成您自己的Naruto角色，但您也可以通过遵循创建用于训练的数据集指南来创建和训练您自己的数据集。将环境变量 DATASET_NAME 设置为Hub上数据集的名称，或者如果您在自己的文件上训练，将环境变量 TRAIN_DIR 设置为数据集的路径。
如果您在多个GPU上训练，请在 accelerate launch 命令中添加 --multi_gpu 参数。
要使用Weights & Biases监控训练进度，请在训练命令中添加 --report_to=wandb 参数。您还需要
建议在训练命令中添加 --validation_prompt 以跟踪结果。这对于调试模型和查看中间结果非常有用。
export DATASET_NAME="lambdalabs/naruto-blip-captions"
accelerate launch --mixed_precision="fp16" train_text_to_image_prior.py \
--dataset_name=$DATASET_NAME \
--resolution=768 \
--train_batch_size=1 \
--gradient_accumulation_steps=4 \
--max_train_steps=15000 \
--learning_rate=1e-05 \
--max_grad_norm=1 \
--checkpoints_total_limit=3 \
--lr_scheduler="constant" \
--lr_warmup_steps=0 \
--validation_prompts="A robot naruto, 4k photo" \
--report_to="wandb" \
--push_to_hub \
--output_dir="kandi2-prior-naruto-model"训练完成后，您可以使用新训练的模型进行推理！
from diffusers import AutoPipelineForText2Image, DiffusionPipeline
import torch
prior_pipeline = DiffusionPipeline.from_pretrained(output_dir, torch_dtype=torch.float16)
prior_components = {"prior_" + k: v for k,v in prior_pipeline.components.items()}
pipeline = AutoPipelineForText2Image.from_pretrained("kandinsky-community/kandinsky-2-2-decoder", **prior_components, torch_dtype=torch.float16)
pipe.enable_model_cpu_offload()
prompt="A robot naruto, 4k photo"
image = pipeline(prompt=prompt, negative_prompt=negative_prompt).images[0]可以随意将 kandinsky-community/kandinsky-2-2-decoder 替换为您自己训练的 decoder 检查点！
后续步骤
恭喜您训练了一个 Kandinsky 2.2 模型！要了解更多关于如何使用您的新模型的信息，以下指南可能会有所帮助：
- 阅读 Kandinsky 指南，学习如何将其用于各种不同的任务（文本到图像、图像到图像、修复、插值），以及如何与 ControlNet 结合使用。
- 查看 DreamBooth 和 LoRA 训练指南，学习如何使用少量示例图像训练个性化的 Kandinsky 模型。这两种训练技术甚至可以结合使用！