【Datawhale X 魔搭 AI夏令营第四期-AIGC方向】 Task2条记：baseline精读&
一、媒介通过task1的学习我成功跑通了baseline，对baseline的代码也有了一个根本的理解。此次task2则是通过向通义千问提问，对代码各模块作用举行大体认识以及逐行解析baseline代码，使我对其有一个更加细致的理解，同时学习如何借助AI来提升我们的自学习能力。
Datawhale的官方速通文档：Datawhale (linklearner.com)
本篇文章基于task2官方文档和day2直播内容举行归纳总结。
二、AI辅助精读代码
Step1 ：注册通义千问
官方链接：https://tongyi.aliyun.com/qianwen/
点击登录，输入手机号使用验证码登录，第一次使用则会主动注册账号
https://i-blog.csdnimg.cn/direct/10d8851a90e5487d9e1600d6e6e984a4.png
注册成功后即可向其提问
Step2：输入问题
使用角色扮演的方式提问
你是一个良好的python开发工程师，如今我们需要你帮我们逐行分析这个代码，用中文回复我的问题。{此处替换baseline代码}
返回效果：
https://i-blog.csdnimg.cn/direct/eff785148c8e4552babe71654ff1784b.png
对此中更详细的过程中若有不懂的地方可以继承追问，比如：
https://i-blog.csdnimg.cn/direct/fad243178f4d4d99bd1f64ec0b2442d9.png
Step3：代码分块逐行解析
下图是baseline代码的框架结构，可以更直观的看懂和理解
https://i-blog.csdnimg.cn/direct/059908dd6ff54975aaaa58491d196430.png
代码逐行分析：
安装 Data-Juicer 和 DiffSynth-Studio：
!pip install simple-aesthetics-predictor # 安装simple-aesthetics-predictor
!pip install -v -e data-juicer # 安装data-juicer
!pip uninstall pytorch-lightning -y # 卸载pytorch-lightning
!pip install peft lightning pandas torchvision # 安装 peft lightning pandas torchvision
!pip install -e DiffSynth-Studio # 安装DiffSynth-Studio 从魔搭数据会合下载数据集AI-ModelScope/lowres_anime：
from modelscope.msdatasets import MsDataset#引入数据集模块msdatasets
ds = MsDataset.load(
'AI-ModelScope/lowres_anime',
subset_name='default',
split='train',
cache_dir="/mnt/workspace/kolors/data" # 指定缓存目录 生成数据集：
import json, os # 导入json和os模块
from data_juicer.utils.mm_utils import SpecialTokens # 导入SpecialTokens
from tqdm import tqdm # 导入tqdm进度条管理
os.makedirs("./data/lora_dataset/train", exist_ok=True) # 创建文件夹./data/lora_dataset/train
os.makedirs("./data/data-juicer/input", exist_ok=True) # 创建文件夹./data/data-juicer/input
with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
for data_id, data in enumerate(tqdm(ds)): # 遍历数据集ds
image = data["image"].convert("RGB") # 将数据集的图片转换为RGB
image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 保存数据集的图片
metadata = {"text": "二次元", "image": } # 生成当前图片的索引数据
f.write(json.dumps(metadata)) # 将索引数据写入文件./data/data-juicer/input/metadata.jsonl
f.write("\n") 配置data-juicer，并举行数据筛选过滤：
data_juicer_config = """
# global parameters
project_name: 'data-process' # 名称
dataset_path: './data/data-juicer/input/metadata.jsonl'# 你前面生成的数据的索引文件
np: 4# 线程数
text_keys: 'text' # 文件./data/data-juicer/input/metadata.jsonl的描述的字段名
image_key: 'image' # 文件./data/data-juicer/input/metadata.jsonl的图片字段名
image_special_token: '<__dj__image>'
export_path: './data/data-juicer/output/result.jsonl' # 筛选通过的图片结果保存的的索引文件
# process schedule
# a list of several process operators with their arguments
# 过滤的规则
process:
- image_shape_filter: # 图片尺寸过滤
min_width: 1024 # 最小宽度1024
min_height: 1024 # 最小高度1024
any_or_all: any # 符合前面条件的图片才会被保留
- image_aspect_ratio_filter: # 图片长宽比过滤
min_ratio: 0.5 # 最小长宽比0.5
max_ratio: 2.0 # 最大长宽比2.0
any_or_all: any # 符合前面条件的图片才会被保留
"""
原过滤配置过于苛刻，我修改了配置（最小高度和最小宽度为100）末了有1400多张图片可供训练。
保存data-juicer配置到data/data-juicer/data_juicer_config.yaml：
with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
file.write(data_juicer_config.strip())
# data-juicer开始执行数据筛选
!dj-process --config data/data-juicer/data_juicer_config.yaml 通过前面通过data-juicer筛选的图片索引信息./data/data-juicer/output/result.jsonl，生成数据集：
import pandas as pd # 导入pandas
import os, json # 导入os和json
from PIL import Image # 导入Image
from tqdm import tqdm # 导入tqdm进度条管理
texts, file_names = [], [] # 定义两个空列表，分别存储图片描述和图片名称
os.makedirs("./data/lora_dataset_processed/train", exist_ok=True) # 创建文件夹./data/lora_dataset_processed/train
with open("./data/data-juicer/output/result.jsonl", "r") as file: # 打开前面data-juicer筛选的图片索引文件./data/data-juicer/output/result.jsonl
for data_id, data in enumerate(tqdm(file.readlines())): # 遍历文件./data/data-juicer/output/result.jsonl
data = json.loads(data) # 将json字符串转换为对象
text = data["text"] # 获取对象中的text属性，也就是图片的描述信息
texts.append(text) # 将图片的描述信息添加到texts列表中
image = Image.open(data["image"]) # 获取对象中的image属性，也就是图片的路径,然后用这个路径打开图片
image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg" # 生成保存图片的路径
image.save(image_path) # 将图片保存到./data/lora_dataset_processed/train文件夹中
file_names.append(f"{data_id}.jpg") # 将图片名称添加到file_names列表中
data_frame = pd.DataFrame() # 创建空的DataFrame
data_frame["file_name"] = file_names # 将图片名称添加到data_frame中
data_frame["text"] = texts # 将图片描述添加到data_frame中
data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig") # 将data_frame保存到./data/lora_dataset_processed/train/metadata.csv
data_frame # 查看data_frame 下载可图模子：
from diffsynth import download_models # 导入download_models
download_models(["Kolors", "SDXL-vae-fp16-fix"]) # 下载可图模型
# DiffSynth-Studio提供了可图的Lora训练脚本，查看脚本信息
!python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py -h 执行可图Lora训练：
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 加载lora微调后的模子：
from diffsynth import ModelManager, SDXLImagePipeline # 导入ModelManager和SDXLImagePipeline
from peft import LoraConfig, inject_adapter_in_model # 导入LoraConfig和inject_adapter_in_model
import torch # 导入torch
# 加载LoRA配置并注入模型
def load_lora(model, lora_rank, lora_alpha, lora_path):
lora_config = LoraConfig(
r=lora_rank, # 设置LoRA的秩(rank)
lora_alpha=lora_alpha, # 设置LoRA的alpha值，控制LoRA的影响权重
init_lora_weights="gaussian", # 初始化LoRA权重为高斯分布
target_modules=["to_q", "to_k", "to_v", "to_out"], # 指定要应用LoRA的模块
)
model = inject_adapter_in_model(lora_config, model) # 将LoRA配置注入到模型中
state_dict = torch.load(lora_path, map_location="cpu") # 加载LoRA微调后的权重
model.load_state_dict(state_dict, strict=False) # 将权重加载到模型中，允许部分权重不匹配
return model # 返回注入LoRA后的模型
# 加载预训练模型
model_manager = ModelManager(
torch_dtype=torch.float16, # 设置模型的数据类型为float16，减少显存占用
device="cuda", # 指定使用GPU进行计算
file_path_list=[
"models/kolors/Kolors/text_encoder", # 文本编码器的路径
"models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors", # UNet模型的路径
"models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors" # VAE模型的路径
]
)
# 初始化图像生成管道
pipe = SDXLImagePipeline.from_model_manager(model_manager) # 从模型管理器中加载模型并初始化管道
# 加载并应用LoRA权重到UNet模型
pipe.unet = load_lora(
pipe.unet,
lora_rank=16, # 设置LoRA的秩(rank)，与训练脚本中的参数保持一致
lora_alpha=2.0, # 设置LoRA的alpha值，控制LoRA对模型的影响权重
lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt" # 指定LoRA权重的文件路径
)
生成图像：
torch.manual_seed(0) # 设置随机种子，确保生成的图像具有可重复性。如果想要每次生成不同的图像，可以将种子值改为随机值。
image = pipe(
prompt="二次元，一个紫色短发小女孩，在家中沙发上坐着，双手托着腮，很无聊，全身，粉色连衣裙", # 设置正向提示词，用于指导模型生成图像的内容
negative_prompt="丑陋、变形、嘈杂、模糊、低对比度", # 设置负向提示词，模型会避免生成包含这些特征的图像
cfg_scale=4, # 设置分类自由度 (Classifier-Free Guidance) 的比例，数值越高，模型越严格地遵循提示词
num_inference_steps=50, # 设置推理步数，步数越多，生成的图像细节越丰富，但生成时间也更长
height=1024, width=1024, # 设置生成图像的高度和宽度，这里生成 1024x1024 像素的图像
)
image.save("1.jpg") # 将生成的图像保存为 "1.jpg" 文件 以此类推，再重复七次，修改提示词生成八张不同的图片。
图像拼接，展示总体拼接大图：
import numpy as np# 导入numpy库，用于处理数组和数值计算
from PIL import Image# 导入PIL库中的Image模块，用于图像处理
images = # 读取1.jpg到8.jpg的图像，转换为numpy数组，并存储在列表images中
image = np.concatenate([# 将四组图像在垂直方向上拼接
np.concatenate(images, axis=1),# 将第1组（images）的两张图像在水平方向上拼接
np.concatenate(images, axis=1),# 将第2组（images）的两张图像在水平方向上拼接
np.concatenate(images, axis=1),# 将第3组（images）的两张图像在水平方向上拼接
np.concatenate(images, axis=1),# 将第4组（images）的两张图像在水平方向上拼接
], axis=0)# 将四组拼接后的图像在垂直方向上拼接
image = Image.fromarray(image).resize((1024, 2048))# 将拼接后的numpy数组转换为图像对象，并调整大小为1024x2048像素
image# 输出最终生成的图像对象，用于显示图像 但是我个人更喜欢横向排版，于是更改为以下代码：
import numpy as np
from PIL import Image
images =
image = np.concatenate([
np.concatenate(images, axis=1),
np.concatenate(images, axis=1),
], axis=0)
image = Image.fromarray(image).resize((2048, 1024))
image 三：实战演练
数据准备阶段，同样可以借助通义千问，通过角色扮演的方式将故事转化为提示词
（故事纯属虚构，与实际无关）
https://i-blog.csdnimg.cn/direct/e6f29295b7e8436c974d82204aca4400.png
自己在通义的返回的底子上，打磨出最佳的提示词
图片编号
场景描述
正向提示词
反向提示词
图片1
女主是一名警员，按部就班的做着自己的工作，日子过的很压抑
二次元，一个女生，玄色头发，两根直辫子，浅紫色瞳孔，全身，坐在警局内，神情担心，穿着玄色日式警服，低着头正在查看文件，配景是繁忙的办公环境貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真、麻花辫、人物看向镜头、断手 图片2
有一天她看到了男主的通缉令，回想起自己门生期间的往事
二次元，侧脸，一个女生，玄色头发，两根马尾辫，浅紫色瞳孔，穿着日式警服，女生看向白板，凝重，白板上贴着很多带有端正人像通缉令，此中一张是米黄色男生头像近景、貌寝、变形、嘈杂、模糊、低对比度、3D、逼真、单马尾、看向镜头、正脸、字符、文字 图片3
门生期间的女主没办法融入班级，没有朋侪，本来应该一直是独自一人二次元，一个女生，玄色头发，两根马尾辫，浅紫色瞳孔，穿着白色高中生校服，孤独地一个人坐在教室座位上，低着头，表情担心，眼睛看着桌子，背后几个同砚站着围在交头接耳，教室环境描画貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真、人物看向镜头、仰面 图片4
直到一个男生出现，他主动与女主搭话，一直关心女主，使女主慢慢喜欢上了男主二次元，一个女生，玄色头发，两根马尾辫，浅紫色瞳孔，坐在教室座位上，女生座位旁边站着一男生，浅黄色头发，穿着白色高中生校服，快乐地攀谈，微笑对视看向镜头、貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真、男生坐着 图片5
回想竣事，接到逮捕关照的女主来到现场，看到男主正在和警员争论
二次元，一个穿着白色衬衫的浅黄色头发的男生社畜，一个穿着玄色警服的黑发男性警员，两个人辩论，神情告急，现代街道，远景角色看向镜头、多余的人、近景、貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真 图片6
女主决定不按规矩行事，于是拉着男主逃跑
二次元，一个玄色头发的女生，双马尾、浅紫色瞳孔、穿着玄色警员礼服，一个浅黄头发男生，穿着白色衬衫，两个人牵动手逃跑、配景中有一个腿部中枪倒下的警员、配景是现代街道一样的衣服、变形的眼睛、貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真 图片7
两人来到了谁也不会发现的海边，靠在一起聊了很多。男主是被冤枉的，但是也无法反抗二次元，一个玄色头发的女生，双马尾、浅紫色瞳孔、穿着玄色警员礼服，一个浅黄头发男生，穿着白色衬衫，两个人坐在海边的乱石上，依偎在一起，神色悲伤，看着大海，远景，夜晚，配景是星空和海浪 近景，角色看向镜头，貌寝、变形、嘈杂、模糊、低对比度、3D、照片、逼真度
图片8
对未来失去盼望的两人，永久地甜睡了
古风，水墨画，一个玄色长发少女，坐在教室里，盯着黑板，认真上课，上半身，红色长裙
貌寝，变形，嘈杂，模糊，低对比度
代码截图：https://i-blog.csdnimg.cn/direct/0a834acea6a74e69ad1e3cb3046c5d3d.png
生成效果图：
https://i-blog.csdnimg.cn/direct/bcc02ff8bb23487f877b092f2d566bbc.jpeg
四、总结
这次任务最主要的收获就是懂了torch.manual_seed()对画面的作用，对画面效果不满意则更改此中的数字举行“抽奖”直到效果满意为止。尚有自由度cfg_scale的影响，在“二次元”词条下我个人以为cfg_scale=2时画风最符合。
过程中还发现一些别的问题，如果在生成图片但还没生成完成的过程中停止代码运行的话，会爆显存，只能重启内核后重新加载模子。
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]