LlamaFactory
算力平台:

自定义扩散 ​

自定义扩散 是一种用于个性化图像生成模型的训练技术。与文本反转（Textual Inversion）、DreamBooth 和 LoRA 一样，自定义扩散只需要少数（约 4-5 张）示例图像。该技术通过仅训练交叉注意力层中的权重来工作，并使用一个特殊词汇来表示新学习的概念。自定义扩散的独特之处在于它还可以同时学习多个概念。

如果你在 vRAM 有限的 GPU 上进行训练，建议启用 xFormers，使用 --enable_xformers_memory_efficient_attention 以更快的训练速度和更低的 vRAM 需求（16GB）。为了节省更多内存，可以在训练参数中添加 --set_grads_to_none，将梯度设置为 None 而不是零（此选项可能会导致一些问题，如果遇到问题，可以尝试移除该参数）。

本指南将探讨 train_custom_diffusion.py 脚本，帮助你更熟悉它，并了解如何根据自己的需求进行调整。

在运行脚本之前，请确保从源代码安装库：

bash
git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .

导航到包含训练脚本的示例文件夹并安装所需的依赖项：

bash
cd examples/custom_diffusion
pip install -r requirements.txt
pip install clip-retrieval

初始化一个 🤗 Accelerate 环境：

bash
accelerate config

要设置一个默认的 🤗 Accelerate 环境而不选择任何配置：

bash
accelerate config default

或者，如果你的环境不支持交互式 shell，比如笔记本，你可以使用：

py
from accelerate.utils import write_basic_config

write_basic_config()

最后，如果你想在自己的数据集上训练模型，请参阅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。

脚本参数 ​

训练脚本包含所有帮助你自定义训练运行的参数。这些参数位于 parse_args() 函数中。该函数带有默认值，但你也可以在训练命令中设置自己的值。

例如，要更改输入图像的分辨率：

bash
accelerate launch train_custom_diffusion.py \
  --resolution=256

许多基本参数在 DreamBooth 训练指南中已有描述，因此本指南将重点介绍 Custom Diffusion 独有的参数：

  • --freeze_model: 冻结交叉注意力层中的键和值参数；默认值为 crossattn_kv，但你可以将其设置为 crossattn 以训练交叉注意力层中的所有参数
  • --concepts_list: 若要学习多个概念，请提供一个包含这些概念的 JSON 文件的路径
  • --modifier_token: 用于表示学习到的概念的特殊单词
  • --initializer_token: 用于初始化 modifier_token 嵌入的特殊单词

先验保留损失 ​

先验保留损失是一种方法，它使用模型自动生成的样本帮助模型学习如何生成更多样化的图像。因为这些生成的样本图像与你提供的图像属于同一类别，所以它们有助于模型保留已学的类别知识，并利用已知的类别知识创建新的组合。

先验保留损失的许多参数在 DreamBooth 训练指南中已有描述。

正则化 ​

Custom Diffusion 包括使用一小部分真实图像训练目标图像以防止过拟合。可以想象，当你只在几张图像上进行训练时，这很容易做到！使用 clip_retrieval 下载 200 张真实图像。class_prompt 应与目标图像属于同一类别。这些图像存储在 class_data_dir 中。

bash
python retrieve.py --class_prompt cat --class_data_dir real_reg/samples_cat --num_class_images 200

要启用正则化，请添加以下参数：

  • --with_prior_preservation: 是否使用先验保留损失
  • --prior_loss_weight: 控制先验保留损失对模型的影响
  • --real_prior: 是否使用一小部分真实图像来防止过拟合
bash
accelerate launch train_custom_diffusion.py \
  --with_prior_preservation \
  --prior_loss_weight=1.0 \
  --class_data_dir="./real_reg/samples_cat" \
  --class_prompt="cat" \
  --real_prior=True \

训练脚本 ​

自定义扩散训练脚本包含两个数据集类：

接下来，将 modifier_token 添加到分词器，转换为 token id，并调整 token 嵌入的大小以适应新的 modifier_token。然后，使用 initializer_token 的嵌入初始化 modifier_token 的嵌入。文本编码器中的所有参数都被冻结，除了 token 嵌入，因为这是模型试图学习与概念关联的部分。

py
params_to_freeze = itertools.chain(
    text_encoder.text_model.encoder.parameters(),
    text_encoder.text_model.final_layer_norm.parameters(),
    text_encoder.text_model.embeddings.position_embedding.parameters(),
)
freeze_params(params_to_freeze)

现在你需要将自定义扩散权重添加到注意力层。这是确保注意力权重的形状和大小正确以及在每个 UNet 块中设置适当数量的注意力处理器的重要步骤。

py
st = unet.state_dict()
for name, _ in unet.attn_processors.items():
    cross_attention_dim = None if name.endswith("attn1.processor") else unet.config.cross_attention_dim
    if name.startswith("mid_block"):
        hidden_size = unet.config.block_out_channels[-1]
    elif name.startswith("up_blocks"):
        block_id = int(name[len("up_blocks.")])
        hidden_size = list(reversed(unet.config.block_out_channels))[block_id]
    elif name.startswith("down_blocks"):
        block_id = int(name[len("down_blocks.")])
        hidden_size = unet.config.block_out_channels[block_id]
    layer_name = name.split(".processor")[0]
    weights = {
        "to_k_custom_diffusion.weight": st[layer_name + ".to_k.weight"],
        "to_v_custom_diffusion.weight": st[layer_name + ".to_v.weight"],
    }
    if train_q_out:
        weights["to_q_custom_diffusion.weight"] = st[layer_name + ".to_q.weight"]
        weights["to_out_custom_diffusion.0.weight"] = st[layer_name + ".to_out.0.weight"]
        weights["to_out_custom_diffusion.0.bias"] = st[layer_name + ".to_out.0.bias"]
    if cross_attention_dim is not None:
        custom_diffusion_attn_procs[name] = attention_class(
            train_kv=train_kv,
            train_q_out=train_q_out,
            hidden_size=hidden_size,
            cross_attention_dim=cross_attention_dim,
        ).to(unet.device)
        custom_diffusion_attn_procs[name].load_state_dict(weights)
    else:
        custom_diffusion_attn_procs[name] = attention_class(
            train_kv=False,
            train_q_out=False,
            hidden_size=hidden_size,
            cross_attention_dim=cross_attention_dim,
        )
del st
unet.set_attn_processor(custom_diffusion_attn_procs)
custom_diffusion_layers = AttnProcsLayers(unet.attn_processors)

优化器 被初始化以更新交叉注意力层的参数：

py
optimizer = optimizer_class(
    itertools.chain(text_encoder.get_input_embeddings().parameters(), custom_diffusion_layers.parameters())
    if args.modifier_token is not None
    else custom_diffusion_layers.parameters(),
    lr=args.learning_rate,
    betas=(args.adam_beta1, args.adam_beta2),
    weight_decay=args.adam_weight_decay,
    eps=args.adam_epsilon,
)

在训练循环中，重要的是只更新你试图学习的概念的嵌入。这意味着将所有其他标记嵌入的梯度设置为零：

py
if args.modifier_token is not None:
    if accelerator.num_processes > 1:
        grads_text_encoder = text_encoder.module.get_input_embeddings().weight.grad
    else:
        grads_text_encoder = text_encoder.get_input_embeddings().weight.grad
    index_grads_to_zero = torch.arange(len(tokenizer)) != modifier_token_id[0]
    for i in range(len(modifier_token_id[1:])):
        index_grads_to_zero = index_grads_to_zero & (
            torch.arange(len(tokenizer)) != modifier_token_id[i]
        )
    grads_text_encoder.data[index_grads_to_zero, :] = grads_text_encoder.data[
        index_grads_to_zero, :
    ].fill_(0)

启动脚本 ​

一旦你完成了所有更改或对默认配置满意，就可以启动训练脚本了！🚀

在本指南中，你将下载并使用这些示例猫图片。你也可以创建并使用自己的数据集（参见为训练创建数据集指南）。

将环境变量 MODEL_NAME 设置为 Hub 上的模型 ID 或本地模型的路径，INSTANCE_DIR 设置为你刚刚下载猫图片的路径，OUTPUT_DIR 设置为你希望保存模型的位置。你将使用 `

一旦训练完成，你可以使用你的新自定义扩散模型进行推理。

下一步 ​

恭喜你使用自定义扩散训练了一个模型！🎉 要了解更多：

Copyright © 2024-2025 llamafactory.cn