在 Scnet 上微调 Stable Diffusion 3 模子
1 AI 算力反馈1.1 运行的商品名称
我运行的商品为 Stable Diffusion 3 文本到图像高质量生成AI绘画推理服务，运行的环境为 异构加速卡AI 64G。具体创建流程如下：
1.1.1 购买模子服务
首先购买一下模子服务，这样我们就不须要再从 Hugging Face 下载预训练模子了
https://i-blog.csdnimg.cn/direct/e26a1168426844bebe1107f4b6aea25d.png
1.1.2 选择符合的开发机器
点击模子开发并配置开发环境（注意开发环境须要同步），这里选择的是 异构盘算单卡 64G + pytorch dtk24.04.1 的开发环境。
https://i-blog.csdnimg.cn/direct/7449bd9ee356465699b0bd82662f27da.png
https://i-blog.csdnimg.cn/direct/9ab13a6f831c4f29846d6529344735b0.png
1.1.3 打开开发环境
等候 Notebook 环境准备完成后点击 JupyterLab 来打开开发环境
https://i-blog.csdnimg.cn/direct/f8a4876b7da04fddabb55b656d744eef.png
1.1.4 创建一个新的项目文件
创建并新建一个 ipynb 文件（下面的步调均在该环境下开发），注意，这里的Python版本须要是3.10。
https://i-blog.csdnimg.cn/direct/0897805d05544e4f99163233d9d2eea6.png
https://i-blog.csdnimg.cn/direct/4c489afdd5a647cc98871ca5fd3c54c5.png
1.2 运行的过程记录
在开始项目之前，我们先界说项目的工作目录。
work_path="/root/private_data/apprepo/model/20240729095814/stable-diffusion-3-medium-diffusers-2407251517"
1.2.1 安装 diffusers
Hugging Face 的 diffusers 仓库是一个用于处置惩罚和应用扩散模子的开源库，在这次的使命中，我们使用 diffusers 仓库来进行微调，在开始微调之前，我们须要安装 diffusers。执行以下代码来包管不会由于 Github Repo 的体积太大导致无法正常的下
载。
# 保证 Github 仓库在克隆时不会出现太大而无法下载的错误
!git config --global http.sslVerify "false"
!git config --global http.postBuffer 1048576000
!git config --global core.compression -1
!git config --global http.lowSpeedLimit 0
!git config --global http.lowSpeedTime 999999
执行以下代码来包管 git 工具把你的凭据保存到本地，方便二次开发。
# 配置 git 保存你的凭证
!git config --global credential.helper store
执行以下代码来下载并安装 diffusers 仓库，须要注意的是，由于网络缘故原由，服务器在下载 diffusers 仓库时可能会出现问题，建议只下载深度为1的仓库。
%cd $work_path
# 克隆 Hugging Face 的 diffusers 仓库
!rm -rf diffusers
!git clone https://github.com/huggingface/diffusers --depth 1
# 进入 diffusers 目录
%cd diffusers
# 以可编辑模式安装 diffusers 库
!pip install -e .
# 配置 Accelerate 库的默认设置
!accelerate config default
1.2.2 安装微调所须要的依赖
如果你的目标是微调模子，你可能还须要安装微调所须要的依赖项。须要注意的是，当我们使用的是国产推理卡，运行 runtime 为 tk框架，须要安装特定版本的 torch。但是在安装 torchvision 这个包时，系统会自动安装 cuda 版本的torch，因此我们须要屏蔽掉这个安装包再执行安装下令。
%cd $work_path/diffusers/examples/dreambooth
# 安装 requirements_sd3.txt 中的依赖
!sed -i 's/torchvision/#torchvision/' requirements_sd3.txt
!pip install -r requirements_sd3.txt -i https://pypi.mirrors.ustc.edu.cn/simple/
接着手动安装 torchvision （以不安装依赖的方式），我这里的 torch 版本为 2.1.0，对应的torchvision 版本为 0.16，更具体的版本对应信息可以参考下表或参考
torchvision Repo。
torchtorchvisionPythonmain / nightlymain / nightly>=3.8, <=3.122.40.19>=3.8, <=3.122.30.18>=3.8, <=3.122.20.17>=3.8, <=3.112.10.16>=3.8, <=3.112.00.15>=3.8, <=3.11 !pip install torchvision==0.16 -i https://pypi.mirrors.ustc.edu.cn/simple/ --no-deps
1.2.3 微调你的 Stable Diffusion 模子
这里使用 Python 的 heredoc 语法执行 Python 代码块，使用 Hugging Face 下载所须要的数据集。
%cd $work_path/diffusers/examples/dreambooth
# 下载所需要的数据集。
from huggingface_hub import snapshot_download
# 设置数据集安装路径
local_dir = "./dataset/dog"
# 从 Hugging Face Hub 下载 "diffusers/dog-example" 数据集到本地目录
snapshot_download(
"diffusers/dog-example",
local_dir=local_dir,
repo_type="dataset",
ignore_patterns=".gitattributes",
)
# 这里必须删除掉没用的 .huggingface 目录
!rm -rf ./dataset/dog/.huggingface
如果你希望使用 Hugging Face 官方的预训练模子，请前往 Stable Diffusion 3 on Hugging Face 并登岸你的 Hugging Face ID 并签订协议，包管你不会用于商用。在签订完协议后，你须要手动在终端执行以下代码:
# 配置 token（输入以下命令 --> 输入你的Token --> 回车 --> 输入Y --> 回车）
huggingface-cli login
如果你使用的是 SCNet 提供的预训练模子，你不须要做任何操作，但也请确保你没有效于商用。
# 进入 diffusers/examples/dreambooth 目录
%cd $work_path/diffusers/examples/dreambooth
# 使用 Accelerate 启动 train_dreambooth_lora_sd3.py 训练脚本
!accelerate launch train_dreambooth_lora_sd3.py \
--pretrained_model_name_or_path=$work_path/stabilityai/stable-diffusion-3-medium-diffusers\
--instance_data_dir="./dataset/dog" \
--output_dir="trained-sd3-lora" \
--mixed_precision="fp16" \
--instance_prompt="a photo of sks dog" \
--resolution=512 \
--train_batch_size=1 \
--gradient_accumulation_steps=4 \
--learning_rate=1e-5 \
--lr_scheduler="constant" \
--lr_warmup_steps=0 \
--max_train_steps=500 \
--validation_prompt="A photo of sks dog in a bucket" \
--validation_epochs=25 \
--seed="0"
# 注意，如果你使用的是官方的预训练模型且没有成功签署协议，在训练代码时你可能会出现如下错误:
# OSError: Can't load tokenizer for 'stabilityai/stable-diffusion-3-medium'.
# If you were trying to load it from 'https://huggingface.co/models',
# make sure you don't have a local directory with the same name.
# Otherwise, make sure 'stabilityai/stable-diffusion-3-medium' is the correct
# path to a directory containing all relevant files for a CLIPTokenizer tokenizer.
训练结束后可能会报错 expected scalar type Float but found Half 这是 Hugging Face 的Bug，可以忽略它，我们的训练是没有问题的。
1.2.4 使用微调后的模子执行推理
接下来进行推理，注意这里必须使用 with torch.autocast("cuda") 再进行推理，否则会报和训练时一样的错误。
%cd $work_path/diffusers/examples/dreambooth/trained-sd3-lora
from diffusers import StableDiffusion3Pipeline
import torch
model_path = "./checkpoint-500"
pipe = StableDiffusion3Pipeline.from_pretrained(f"{work_path}/stabilityai/stable-diffusion-3-medium-diffusers", torch_dtype=torch.float16)
pipe.load_lora_weights(model_path)
pipe.to("cuda")
prompt = "A photo of sks dog in a bucket."
with torch.autocast("cuda"):
image = pipe(prompt).images
image.save("output.png")
推理后的输出结果如下，可以看到生成的图片质量还是可以的
https://i-blog.csdnimg.cn/direct/28c72e48795a4db189a0cda691ed8268.png
1.3 运行的结果反馈
1.3.1 模子设备占用一览图
在终端模式下，使用 rocm-smi 下令可以看到模子训练时充分占用了 异构加速卡 的显存，如下图：
https://i-blog.csdnimg.cn/direct/29597aaa307946739306c9b2479b2b28.png
当然，也可以在工具面板中检察具体信息，下图为模子在训练时设备各外设的占用情况：
https://i-blog.csdnimg.cn/direct/e2663ba678c247d799eb4f3ae4a7dd19.png
下图为模子在推理时设备各外设的占用情况：
https://i-blog.csdnimg.cn/direct/3d1abd18296d4aef8586bb56a8e1fb9b.png
1.3.2 保存开发镜像
点击关机按钮
https://i-blog.csdnimg.cn/direct/dd03561bdc35464d8a74858890609cf8.png
选择保存环境并点击确定
https://i-blog.csdnimg.cn/direct/1ecbadd9921946df82f9a84ffd7e9400.png
2 运行体验与建议
是不是须要有一份具体的文档介绍一下开发环境具体怎么使用，现在就是在瞽者摸象，像工具面板这种可以及时检察设备运行状态的好东西须要让更多的用户看到。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]