媒介
Task 01 通过预训练模子的调用,在baseline上跑通模子,实现内容→图片。即,根据prompt中输入的文本形貌,模子天生对应的图片。Task 02 深入学习。
一、AI生图技术
1.1 基础点
AIGC(AI-Generated Content)是通过AI技术自动天生内容的生产方式。AI生图是最早被大众所知且广泛认可的AIGC范畴。
简单的明确,AI生图,就是训练模子实现 图片形貌 与 图片特征 的匹配。比如说,输入文本“狗狗”,然后给模子狗狗的照片。通过大量的样本训练,让模子知道文本“狗狗”对应的照片是什么样的,当下次输入“狗狗”后,可以或许天生对应的图片。
1.2 技术难点
信赖大家也在网上见过一些AI天生令人涕笑的图片,图中存在不符常识的细节。如下图
这不由得令人深思,模子是否真正明确内容与特征之间的含义?以上图为例,模子是否真的明确“正常人类的手”到底具有什么特征(几根手指、指甲的样子…)。天生图内容的“逻辑性”是一较难降服的难点。
1.3 题外话(补充知识点:天生对抗网络)
不用于PS的P图,这里涉及到Deepfake技术,一种使用AI技术天生的伪造媒体,包括图片、视频、音频等。随着近几年AI天生技术的精近,天生的图片等也是愈发真实,令人迷惑,难以辨别。这不由得想起天生对抗网络(GANs),只不外现在屏幕前的人似乎就像模子中的“鉴别器”,面对天生的可以或许以假乱真的样本,难以给出正确的判断结果。论及GAN,再整理点小笔记。
GAN模子
GAN大概是2014年左右Goodfellow提出的模子,其核心思想为实现二人零和博弈。模子基础架构如下:
构成:
天生器(G)和 鉴别器(D) 。Z 为noise,随机噪声,一般可从正态分布或其他分布随机天生。X 为真实的样本数据,G(Z) 为 G 天生的样本。
思想:
天生器 G 学习 Z → G(Z) 的映射过程,学习并天生可以或许以假乱真的天生样本 G(Z) ;鉴别器 D 判断其输入是来自真实样本的 X 还是 G(Z)。
训练(如何实现):
- 先训练D。利用 G 天生样本数据 G(Z),将其标为0(告诉 D 这是假数据),并将真实数据X标为1(告诉 D 这是真数据),将上述数据输入 D 进行训练,通过损失函数、反向传播等对D进行权重更新。(一个简单的分类器)
- 再通过D训练G。D 训练完成后,固定参数,不进行权重更新。此时,同样 G天生样本数据 G(Z),但将其标为1!,输入 D 中,根据损失更新 G 的参数。(告诉 D 这是真数据,但是 D 已训练完成知道真数据和假数据的特征, D 能信吗?相应的 D 会给出自己的判断,也就是 G 权重优化的依据)
如此,循环训练。两者本领不断增强,当 G 完成 Z → G(Z) ,天生的样本非常真实,真实到 D 难以分辨(问D,这是真的还是假的,D说大概是真的,大概是假的,真假概率都是0.5)。此时,达到抱负的状态,纳什均衡点(理论上),天生的数据完美符合最初的要求。
二、代码精读
Task 01中的baseline代码精读与学习。随着大语言模子的广泛应用,对广大学习者来说是个福音。利用诸如chatgpt、文心一言进行代码解读已并非难事,Task 02中推荐的是通义千问。无论用什么工具,能对代码深入明确学习就行。
一个模子的代码,说白了就是利用某种编程语言,构建逻辑布局模块,利用计算机算力,实现某种目标。这个过程,必要什么?
- 数据集。对DL来说,主要作训练和测试用。将数据集划分为训练集和测试集,训练集数据用于训练模子,调整模子参数。训练完后,用未到场训练的测试集数据对模子进行测试,客观评估模子泛化本领。
- 模子算法。核心环节。对Python来说,目前构建模子算法可以直接调用一些成熟的DL框架,pytorch、tensorflow,国内百度的paddle。框架内有许多封装好的函数,一些常用的模块都可以直接调用,如LSTM、CNN,调用完组网就可以直接构建一些简单模子了。一些基础的ML模子甚至可以直接用,如SVR、XGBoost。如有必要可以直接在网上搜索,很多模子算法甚至直接有python包。
- 计算机算力。计算机强盛的算力是其产生的原因。单纯靠人类计算,费时费力。CPU、GPU,个人电脑算力不足可以用云服务器。
对于这个Task,厘清
- 目标是什么?
实现图片天生,在prompt中输入关键词,模子天生对应的图片。
- 怎么实现?
数据?算法模子?算力?
提供数据。利用预训练模子和微调手段,Kolors和Lora。阿里云服务器。
代码分块分析
pip装一些必要的资源包。
- !pip install simple-aesthetics-predictor
- !pip install -v -e data-juicer
- !pip uninstall pytorch-lightning -y
- !pip install peft lightning pandas torchvision
- !pip install -e DiffSynth-Studio
复制代码 导包全写一起
- import json, os
- from data_juicer.utils.mm_utils import SpecialTokens
- from tqdm import tqdm
- import pandas as pd
- from PIL import Image
- import torch
- from diffusers import StableDiffusionPipeline
复制代码 (1)导入数据集,从modelscope的MsDataset里载入数据集lowres_anime,用于后面训练。
- from modelscope.msdatasets import MsDataset
- ds = MsDataset.load(
- 'AI-ModelScope/lowres_anime', # 载入指定数据集
- subset_name='default',
- split='train', # 数据集的模式,应该是分了train和test之类
- cache_dir="/mnt/workspace/kolors/data" # 数据集的保存位置
- )
复制代码 数据预处理。下载完训练数据之后,必要对数据进行预处理,一般来说,包括数据清洗、筛选、处理异常值等。数据包中的数据一般都已经经过这些开端处理,要做的就是按照模子的必要处理数据。这里主要是对载入的数据包内容进行拆分,图片,形貌性文本对应保存,设定data_juicer规则对数据进行筛选过滤。
- os.makedirs("./data/lora_dataset/train", exist_ok=True)
- os.makedirs("./data/data-juicer/input", exist_ok=True)
- with open("./data/data-juicer/input/metadata.jsonl", "w") as f:
- for data_id, data in enumerate(tqdm(ds)): # ds即导入数据,对ds进行遍历处理,进行后面的操作
- image = data["image"].convert("RGB") # 转换成RGB,即彩色图
- image.save(f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg") # 以jpg形式保存图片,名为图片的索引
- metadata = {"text": "二次元", "image": [f"/mnt/workspace/kolors/data/lora_dataset/train/{data_id}.jpg"]} # 生成图片对应的索引数据
- f.write(json.dumps(metadata)) # 索引数据写入json文件
- f.write("\n")
- data_juicer_config = """
- # global parameters
- project_name: 'data-process'
- dataset_path: './data/data-juicer/input/metadata.jsonl' # path to your dataset directory or file
- np: 4 # number of subprocess to process your dataset
- text_keys: 'text'
- image_key: 'image'
- image_special_token: '<__dj__image>'
- export_path: './data/data-juicer/output/result.jsonl'
- # process schedule
- # a list of several process operators with their arguments
- process:
- - image_shape_filter:
- min_width: 1024
- min_height: 1024
- any_or_all: any
- - image_aspect_ratio_filter:
- min_ratio: 0.5
- max_ratio: 2.0
- any_or_all: any
- """
- with open("data/data-juicer/data_juicer_config.yaml", "w") as file:
- file.write(data_juicer_config.strip())
- !dj-process --config data/data-juicer/data_juicer_config.yaml
复制代码 通过之前的json文件metadata,把数据集中的形貌内容text(二次元)和文件名image(.jpg)对应起来,并创建了一个DataFrame情势保存,导出csv。
- texts, file_names = [], []
- os.makedirs("./data/lora_dataset_processed/train", exist_ok=True)
- with open("./data/data-juicer/output/result.jsonl", "r") as file:
- for data_id, data in enumerate(tqdm(file.readlines())):
- data = json.loads(data)
- text = data["text"]
- texts.append(text)
- image = Image.open(data["image"][0])
- image_path = f"./data/lora_dataset_processed/train/{data_id}.jpg"
- image.save(image_path)
- file_names.append(f"{data_id}.jpg")
- data_frame = pd.DataFrame()
- data_frame["file_name"] = file_names
- data_frame["text"] = texts
- data_frame.to_csv("./data/lora_dataset_processed/train/metadata.csv", index=False, encoding="utf-8-sig")
- data_frame
复制代码 (2)下载模子Kolors
- from diffsynth import download_models
- download_models(["Kolors", "SDXL-vae-fp16-fix"])
复制代码 实行Loras训练。
- cmd = """
- python DiffSynth-Studio/examples/train/kolors/train_kolors_lora.py \
- --pretrained_unet_path models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors \
- --pretrained_text_encoder_path models/kolors/Kolors/text_encoder \
- --pretrained_fp16_vae_path models/sdxl-vae-fp16-fix/diffusion_pytorch_model.safetensors \
- --lora_rank 16 \
- --lora_alpha 4.0 \
- --dataset_path data/lora_dataset_processed \
- --output_path ./models \
- --max_epochs 1 \
- --center_crop \
- --use_gradient_checkpointing \
- --precision "16-mixed"
- """.strip()
- os.system(cmd)
复制代码- # 定义load_lora函数
- def load_lora(model, lora_rank, lora_alpha, lora_path):
- lora_config = LoraConfig(
- r=lora_rank,
- lora_alpha=lora_alpha,
- init_lora_weights="gaussian",
- target_modules=["to_q", "to_k", "to_v", "to_out"],
- )
- model = inject_adapter_in_model(lora_config, model)
- state_dict = torch.load(lora_path, map_location="cpu")
- model.load_state_dict(state_dict, strict=False)
- return model
- # Load 模型
- model_manager = ModelManager(torch_dtype=torch.float16, device="cuda",
- file_path_list=[
- "models/kolors/Kolors/text_encoder", "models/kolors/Kolors/unet/diffusion_pytorch_model.safetensors",
- "models/kolors/Kolors/vae/diffusion_pytorch_model.safetensors"])
- pipe = SDXLImagePipeline.from_model_manager(model_manager)
- # 利用定义的load_lora函数,导入lora微调参数
- pipe.unet = load_lora(
- pipe.unet,
- lora_rank=16,
- lora_alpha=2.0,
- lora_path="models/lightning_logs/version_0/checkpoints/epoch=0-step=500.ckpt"
- )
复制代码 (3)天生图像。prompt即 输入的文本特征,negative_prompt 是不希望图片有的特征。
- torch.manual_seed(0)
- image = pipe(
- prompt="二次元,一个黑色长发少女,在家中沙发上斜躺着,看书,全身,白色连衣裙",
- negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
- cfg_scale=4,
- num_inference_steps=50, height=1024, width=1024,
- )
- image.save("1.jpg")
复制代码 图片拼接。baseline里天生并保存了8张照片。拼接成2×4的情势。
- import numpy as np
- from PIL import Image
- images = [np.array(Image.open(f"{i}.jpg")) for i in range(1, 9)]
- image = np.concatenate([
- np.concatenate(images[0:2], axis=1),
- np.concatenate(images[2:4], axis=1),
- np.concatenate(images[4:6], axis=1),
- np.concatenate(images[6:8], axis=1),
- ], axis=0)
- image = Image.fromarray(image).resize((1024, 2048))
- image
复制代码 三、实战演练逐一基于话剧的连环画制作
做了一个小test
- torch.manual_seed(0)
- image = pipe(
- prompt="现代风,一个穿着休闲装束的短发少女,一个身穿学生制服的长发少女,学校的一角,有几棵老树和长椅,少年正在给少女讲笑话,少女捂嘴轻笑",
- negative_prompt="丑陋、变形、嘈杂、模糊、低对比度",
- cfg_scale=4,
- num_inference_steps=50, height=1024, width=1024,
- )
- image.save("1.jpg")
复制代码 对应生图。咋一看没什么问题,短发少女的耳朵貌似存在点…
去掉“现代风”的限制,生图如下。
进行一系列的实验后,有些生图确实精美,一些则存在不足。在prompt的输入中,必要多加留意,尽量输入成模子可以或许明确的短词。
话剧正文
老套剧情
结果图如下
配上文字,如下
四、浅尝scepter webui
魔搭体验网址:Scepter万能图片编辑天生
进入网站后,可直接点击“推理”
模子管理中可选择模子。在输入框内输入“形貌”,点击天生,即可天生图像。实验输入“a cute rabbit”,得到了一只可爱的兔子:
当形貌为中文,“一只可爱的兔子”,天生:
在天生下方,另有许多选项可供选择,使用咒语、微调、控制等,均可进行实验,网页中也提供了视频进行学习。
稍微研究了一下这些内容。咒语书实在就是教大家如何进行prompt工程,对自己想要天生的图片进行适当的形貌,让模子可以或许明确你的input,使得天生的图片可以或许满足要求。
那么试试看,选择“可爱的3D角色”,利用提示的模版,加上"rabbit",会天生怎样的图片?
再试试微调模子,选择铅笔素描,获取示例提示词。
按照提示词,对原先的“a cute rabbit”进行修改,生图
有兴趣的可以试试。
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。 |