1、（1）上文介绍了DDPM生成图片的原理和代码测试结果，训练时给样本图片加上gaussian noise，预测时也是预测gaussian noise；
- 这里为啥要用gaussian distribution？为啥不用其他的分布？
- 高斯分布相对比较简单，只有两个参数：均值和方差，容易控制；
- 为啥一张随机生成的gaussion noise经过很多次裁剪后能得到想要的图片？数学上的依据是什么？
- 理论上讲： 任意K个高斯分布按照特定的权重组合，能得到任意曲线，也就是拟合任意的分布
-
- 假设有K个高斯分布，这K个高斯分布称作混合模型的隐变量则复杂分布的概率分布是:
通过这种Gaussian分布拟合任意分布，这下知道为啥diffusion模型会使用上千个Gaussian noise来生成 image了吧？本质就是利用Gaussian分布的组合生成所需image！两个乘数一个是DDPM中的alpha，另一个是epsilon（预测noise的网络）.一张样本图片，比如是3 channel * 28 width * 28 height = 2352个像素点。理论上讲，只要有一个像素点不同，图片就不同。再说直白一点：每个像素点的值刚开始都是随机生成的，生成的值符合Gaussian~(0,1)分布；后续迭代很多次（因为是Gaussian~(0,1)分布，每次生成的数值都较小，99.7%的数值会在(-3,3)之间。为了满足channel的数值范围(一般是0~255)，需要多次迭代。比如channel的数值是240，随机生成的noise值是3，那么至少迭代80次才能满足要求），每次迭代都会用新生成的值（也符合Gaussian分布）加减初始值，直到迭代结束（这个思路和"小步快跑"的梯度下降没任何区别）。2352个像素点拼接起来就生成了预测的noise图片！
（2）怎么求seta？以VAE为例，整个网络结构如下：
Z是隐变量，经过seta网络生成X；如果这个生成的X和原来数据集一样，说明seta是正确的。那么既然x已经发生了，最合理的思路就是让X的概率最大化了，也就是max likelyhood！也就是seta网络要让X生成的概率最大，以此来得到最合适的seta网络参数！
2、实战时，肯定是要加入用户输入的prompt的！怎么严格按照用户的prompt生成image了？transformer架构最初是用来做翻译的，encoder把一种语言的输入转成embedding后，通过cross attention的机制把输入信息转移到decoder用于生成输出的token，这里也需要把输入的prompt信息传递到图片的decoder部分，是不是也能借鉴一下这个思路了?
用户输入的prompt经过矩阵的线性转换后生成了embedding，在每个resnetblock后都加上一个transformer block（down 和 up 都要加），通过这种方式把用户的prompt信息融入整个unet网络！
具体代码实现，参考如下：像素点是query，prompt是key和value，做cross attention！注意：为啥要用像素点做attention？生成最终的image，需要每个像素点都参与，只有每个像素点的值对了，最终的image才能正确！为了确保每个像素点都正确，需要把prompt的值融入！
import torch
from torch import nn
from config import *
import math
class CrossAttention(nn.Module):
def __init__(self,channel,qsize,vsize,fsize,cls_emb_size):
super().__init__()
self.w_q=nn.Linear(channel,qsize)
self.w_k=nn.Linear(cls_emb_size,qsize)
self.w_v=nn.Linear(cls_emb_size,vsize)
self.softmax=nn.Softmax(dim=-1)
self.z_linear=nn.Linear(vsize,channel)
self.norm1=nn.LayerNorm(channel)
# feed-forward结构
self.feedforward=nn.Sequential(
nn.Linear(channel,fsize),
nn.ReLU(),
nn.Linear(fsize,channel)
)
self.norm2=nn.LayerNorm(channel)
def forward(self,x,cls_emb): # x:(batch_size,channel,width,height), cls_emb:(batch_size,cls_emb_size)
x=x.permute(0,2,3,1) # x:(batch_size,width,height,channel)
# 像素是Query
Q=self.w_q(x) # Q: (batch_size,width,height,qsize)
Q=Q.view(Q.size(0),Q.size(1)*Q.size(2),Q.size(3)) # Q: (batch_size,width*height,qsize) 每个像素点都要参与attention的计算
# prompt是Key和Value
K=self.w_k(cls_emb) # K: (batch_size,qsize)
K=K.view(K.size(0),K.size(1),1) # K: (batch_size,qsize,1)
V=self.w_v(cls_emb) # V: (batch_size,vsize)
V=V.view(V.size(0),1,V.size(1)) # v: (batch_size,1,vsize)
# attention打分矩阵Q*K
attn=torch.matmul(Q,K)/math.sqrt(Q.size(2)) # attn: (batch_size,width*height,1)
attn=self.softmax(attn) # attn: (batch_size,width*height,1)
# print(attn) # 就一个Key&value，所以Query对其注意力打分总是1分满分
# attention输出
Z=torch.matmul(attn,V) # Z: (batch_size,width*height,vsize)
Z=self.z_linear(Z) # Z: (batch_size,width*height,channel)
Z=Z.view(x.size(0),x.size(1),x.size(2),x.size(3)) # Z: (batch_size,width,height,channel)
# 残差&layerNorm
Z=self.norm1(Z+x)# Z: (batch_size,width,height,channel)
# FeedForward
out=self.feedforward(Z)# Z: (batch_size,width,height,channel)
# 残差&layerNorm
out=self.norm2(out+Z)
return out.permute(0,3,1,2)
if __name__=='__main__':
batch_size=2
channel=1
qsize=256
cls_emb_size=32
cross_atn=CrossAttention(channel=1,qsize=256,vsize=128,fsize=512,cls_emb_size=32)
x=torch.randn((batch_size,channel,IMG_SIZE,IMG_SIZE))
cls_emb=torch.randn((batch_size,cls_emb_size)) # cls_emb_size=32
Z=cross_atn(x,cls_emb)
print(Z.size()) # Z: (2,1,48,48)
把attention机制打包到convblock中:
from torch import nn
from cross_attn import CrossAttention
class ConvBlock(nn.Module):
def __init__(self,in_channel,out_channel,time_emb_size,qsize,vsize,fsize,cls_emb_size):
super().__init__()
self.seq1 = nn.Sequential(
nn.Conv2d(in_channel,out_channel,kernel_size=3,stride=1,padding=1), # 改通道数,不改大小
nn.BatchNorm2d(out_channel),
nn.ReLU(),
)
self.time_emb_linear=nn.Linear(time_emb_size,out_channel) # Time时刻emb转成channel宽,加到每个像素点上
self.relu=nn.ReLU()
self.seq2=nn.Sequential(
nn.Conv2d(out_channel,out_channel,kernel_size=3,stride=1,padding=1), # 不改通道数,不改大小
nn.BatchNorm2d(out_channel),
nn.ReLU(),
)
# 像素做Query，计算对token的attention，实现分类信息融入图像，不改变图像形状和通道数
self.crossattn=CrossAttention(channel=out_channel,qsize=qsize,vsize=vsize,fsize=fsize,cls_emb_size=cls_emb_size)
def forward(self,x,t_emb,cls_emb): # t_emb: (batch_size,time_emb_size)
x=self.seq1(x) # 改通道数,不改大小
t_emb=self.relu(self.time_emb_linear(t_emb)).view(x.size(0),x.size(1),1,1) # t_emb: (batch_size,out_channel,1,1)
output=self.seq2(x+t_emb) # 不改通道数,不改大小
return self.crossattn(output,cls_emb) # 图像和prompt embedding做attention
3、模型微调：市面上可能有已经训练好的模型，但模型的训练数据大概率是通用的数据，并不是某些垂直细分领域的数据，怎么才能加上自己所需垂直领域的数据了？最合适的当然是微调了！微调的方式也有很多：全量参数微调、冻结部分参数微调、lora微调。如果训练数据有限、算力也有限，那么最合适的就是lora微调了！理论上讲，任何线性变换（直白一点就是矩阵乘法啦）都可以旁挂两个m*r和r*n的小矩阵来完成lora微调！但是：这种任务的核心是根据prompt生成image(所以微调的样本肯定也有配对的prompt和image)，重点就是融合prompt和image的cross attention了，所以这里直接在cross attention的矩阵乘法旁边外挂新矩阵来达到融合新样本信息的目的！
先找到需要旁挂小矩阵的层：
from unet import UNet
from dataset import train_dataset
from diffusion import forward_diffusion
from config import *
import torch
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import os
from lora import inject_lora
EPOCH=200
BATCH_SIZE=400
if __name__=='__main__':
# 加载模型
model=torch.load('model.pt')
# 向nn.Linear层注入Lora
for name,layer in model.named_modules():
name_cols=name.split('.')
# 找到cross attention中的线性变换，也就是矩阵乘法
filter_names=['w_q','w_k','w_v']
if any(n in name_cols for n in filter_names) and isinstance(layer,nn.Linear):
inject_lora(model,name,layer)
# lora权重的加载
try:
restore_lora_state=torch.load('lora.pt')
model.load_state_dict(restore_lora_state,strict=False)
except:
pass
model=model.to(DEVICE)
# 冻结非Lora参数
for name,param in model.named_parameters():
if name.split('.')[-1] not in ['lora_a','lora_b']: # 非lora部分不计算梯度
param.requires_grad=False
else:
param.requires_grad=True
dataloader=DataLoader(train_dataset,batch_size=BATCH_SIZE,num_workers=4,persistent_workers=True,shuffle=True) # 数据加载器
optimizer=torch.optim.Adam(filter(lambda x: x.requires_grad==True,model.parameters()),lr=0.001) # 优化器只更新Lorac参数
loss_fn=nn.L1Loss() # 损失函数(绝对值误差均值)
print(model)
writer = SummaryWriter()
model.train()
n_iter=0
for epoch in range(EPOCH):
last_loss=0
for batch_x,batch_cls in dataloader:
# 图像的像素范围转换到[-1,1],和高斯分布对应
batch_x=batch_x.to(DEVICE)*2-1
# 引导分类ID
batch_cls=batch_cls.to(DEVICE)
# 为每张图片生成随机t时刻
batch_t=torch.randint(0,T,(batch_x.size(0),)).to(DEVICE)
# 生成t时刻的加噪图片和对应噪音
batch_x_t,batch_noise_t=forward_diffusion(batch_x,batch_t)
# 模型预测t时刻的噪音
batch_predict_t=model(batch_x_t,batch_t,batch_cls)
# 求损失
loss=loss_fn(batch_predict_t,batch_noise_t)
# 优化参数
optimizer.zero_grad()
loss.backward()
optimizer.step()
last_loss=loss.item()
writer.add_scalar('Loss/train', last_loss, n_iter)
n_iter+=1
print('epoch:{} loss={}'.format(epoch,last_loss))
# 保存训练好的Lora权重
lora_state={}
for name,param in model.named_parameters():
name_cols=name.split('.')
filter_names=['lora_a','lora_b']
if any(n==name_cols[-1] for n in filter_names):
lora_state[name]=param
torch.save(lora_state,'lora.pt.tmp')
os.replace('lora.pt.tmp','lora.pt')
旁挂两个小矩阵的实现：
from config import *
import torch
from torch import nn
import math
# Lora实现，封装linear，替换到父module里
class LoraLayer(nn.Module):
def __init__(self,raw_linear,in_features,out_features,r,alpha):
super().__init__()
self.r=r
self.alpha=alpha
self.lora_a=nn.Parameter(torch.empty((in_features,r)))
self.lora_b=nn.Parameter(torch.zeros((r,out_features)))
nn.init.kaiming_uniform_(self.lora_a,a=math.sqrt(5))
self.raw_linear=raw_linear
def forward(self,x): # x:(batch_size,in_features)
raw_output=self.raw_linear(x)
lora_output=x@(([email protected]_b)*self.alpha/self.r) # matmul(x,matmul(lora_a,lora_b)*alpha/r)
return raw_output+lora_output
def inject_lora(model,name,layer):
name_cols=name.split('.')
# 逐层下探到linear归属的module
children=name_cols[:-1]
cur_layer=model
for child in children:
cur_layer=getattr(cur_layer,child)
#print(layer==getattr(cur_layer,name_cols[-1]))
lora_layer=LoraLayer(layer,layer.in_features,layer.out_features,LORA_R,LORA_ALPHA)
setattr(cur_layer,name_cols[-1],lora_layer)
总结：
1、 机器学习核心是根据输入数据得到所需的输出数据，肯定要对输入数据做各种转换，常见的做法就是matrix multi、active、attention等：
- matrix multi：旧的向量转移到新的空间
- 通过更改matrix的参数让新向量的数值适配下游任务
- 向量长度做调整适配
- active：特征多维组合后生成新特征，用于下游任务
- attention：相似度的计算，用于不同网络之间的信息传递与融合
参考：
1、https://www.bilibili.com/video/BV19H4y1G73r/?spm_id_from=333.337.search-card.all.click&vd_source=241a5bcb1c13e6828e519dd1f78f35b2
2、https://nn.labml.ai/diffusion/stable_diffusion/model/unet.html
3、https://deepsense.ai/diffusion-models-in-practice-part-1-the-tools-of-the-trade/
4、https://aitechtogether.com/python/77485.html
标签：prompt,nn,模型,生成式,batch,lora,self,channel,size From： https://www.cnblogs.com/theseventhson/p/18427192