中国移动网站建设情况分析,wordpress抽奖工具,网站开发难题,云建设网站前言
一文搞懂Stable Diffusion是什么#xff0c;怎么训练和使用#xff0c;语义信息影响生成图片的过程。[][加入极市CV技术交流群#xff0c;走在计算机视觉的最前沿]
前几个月AIGC可谓是大热了一把#xff0c;各种高质量的生成图片层出不穷#xff0c;而其中…前言
一文搞懂Stable Diffusion是什么怎么训练和使用语义信息影响生成图片的过程。[][加入极市CV技术交流群走在计算机视觉的最前沿]
前几个月AIGC可谓是大热了一把各种高质量的生成图片层出不穷而其中最重要的开源模型Stable Diffusion也受到了各种技术商业上的热捧以很快的速度不断的向前迭代着。之前作为一个没有相关知识基础的小白为了了解相关的技术知识找了很多文章看最后还是发现Jay Alammar的这篇文章讲的最为通俗易懂于是决定简单翻译一下方便更多人从零开始了解这项强大的技术。
由于原文篇幅较长所以这里分为三部分进行讲解 第一部分主要讲“是什么”的问题包括Stable Diffusion是什么里面的各个模块是什么 第二部分主要讲“怎么办”的问题也就是Diffusion怎么训练以及怎么使用的问题。 第三部分主要讲“如何控制”的问题具体阐述语义信息到底是怎么影响生成图片的过程的。
接下来正式进入第一部分的介绍谈谈Stable Diffusion是什么以及里面的一些模块是什么的问题。
本次教程将使用AI绘画工具 Stable Diffusion 进行讲解如还未安装SD的小伙伴可以扫描免费获取哦~
零基础读懂Stable DiffusionI怎么组成
AI图像生成最近所展现出的潜力可谓是让人大开眼界它能够从一些简单的文字描述开始变魔法一般的变出高质量的图片。不用说这已然深刻的拓宽了人类创作艺术的方式。而其中Stable Diffusion的公布算是一个里程碑事件了它的开源不仅仅意味着面向大众群体公开了一个极高质量的模型与此同时这个模型甚至能保持很快的运行速度和较低的显存需求不可谓不厉害。
用过了Diffusion这个神奇的技术后你可能会好奇它到底为什么能有如此好的效果这里将给出一个尽量简单直白的解释。
Stable Diffusion模型确实是多才多艺的它可以出色的完成很多任务比如文生图图生图特定角色的刻画甚至超分或者Inpainting但作为最基础的一篇介绍这里我们首先就着重讲解最基础的“文生图”模块也就是txt2img部分。下图是一个基本的文生图展示输入是“天堂(paradise)、广袤的(cosmic)、海滩(beach)”可以看到最右边的生成图片很好的符合了输入的要求图中不仅有蓝天白云广阔的海滩也一望无际 最最简单的txt2img示意图之后我们会不断细化和分解这张图里txt2img的过程
虽然本文暂时还没讲到图生图模块也就是所谓的img2img但这个模块的示意图我们也暂时放一下如下图所示这次的输入从单纯的“文字”变成了“图片文字”的形式生成的结果是由原始图片和文字提示词共同决定的。这次输入是海盗船(pirate ship)和上面img2img生成的图片最后输出的结果也确实把输入图片的帆船变成了海盗船 img2img示意图输入是海盗船(pirate ship)最后输出的结果也确实把输入图片的帆船变成了海盗船
现在让我们正式开始了解这项技术背后的原理吧。
一、组成模块
Stable Diffusion其实是个比较杂合的系统里面有着各种各样的模型模块。那首先映入眼帘的问题是怎么把人类理解的文字转换为机器理解的数学语言毕竟计算机是不懂英文的嘛。这个时候就需要一个text understander帮忙转化。在生成图像前下图中蓝蓝的text understander先把文字转换成某种计算机能理解的数学表示 蓝蓝的text understander也就是一个文字的encoder编码器把人类语言转换成计算机能理解的语义内容
我们后续在第三篇中会讲到这个text understander到底是怎么理解文字和怎么训练的但现在暂时让我略过这一部分内容我们只要知道这个text understander是个特别的Transformer语言模型就好了。它的输入是人类语言输出是一系列的向量这些向量的语义对应着我们输入的文字。
那么现在有了可以代表语义的向量就比如下面的蓝色3*5方格我们就把这个语义向量交给真正的图片生成器了也即下图中粉粉的Image Generator。 蓝色方格的语义向量被输入到粉色的图片生成器中正式开始生成图片
这个粉色的图片生成器Image Generator可以分解成两个子模块来看
1图片信息生成器
这个下图中粉色的模块是Stable Diffusion的秘密武器也是Stable Diffusion和其他diffusion模型最大的区别很多性能上的提升就来源于此。
首先最需要明确的一点图片信息生成器不直接生成图片而是生成的较低维度的图片信息也就是所谓的隐空间信息(information of latent space)。这个隐空间信息在下面的流程图中表现为那个粉色的4*3的方格后续再将下图中这个隐空间信息输入到下图中黄色的Decoder里就可以成功生成图片了。Stable Diffusion主要引用的论文“latent diffusion”中的latent也是来源于隐变量中的“隐”(latent)。
一般的diffusion模型都是直接生成图片并不会有先生成隐变量的过程所以普通的diffusion在这一步上需要生成的信息更多负荷也更大。因而之前的diffusion模型在速度上和资源利用上都比不过Stable Diffusion。那技术上来说这个图片隐变量到底是怎么生成的呢这其实是由一个Unet和一个Schedule算法共同完成的。schedule算法控制生成的进度unet就具体去一步一步地执行生成的过程。Stable Diffusion中整个unet的生成迭代过程大概要重复50~100次隐变量的质量也在这个迭代的过程中不断的变得更好。下图中粉色的Image Information Creator左下角的循环标志也正是象征着这个迭代的过程。 2图片解码器
图片解码器也就是我们上面说的decoder它从图片信息生成器Image Information Creator中接过图片信息的隐变量将其升维放大(upscale)还原成一张完整的图片。图片解码器只在最后的阶段起作用也是我们真正能获得一张图片的最终过程。 上面粗略的聊了一下Stable Diffusion每个模块的功能下面我们来更具体的了解一下这个系统中输入输出的向量形状这样的话对Stable Diffusion的工作原理应该能有更直观的认识 Text Encoder 蓝色模块 功能将人类语言转换成机器能理解的数学向量 输入人类语言 输出语义向量77,768 Image Information Creator 粉色模块 功能结合语义向量从纯噪声开始逐步去除噪声生成图片信息隐变量 输入噪声隐变量(4,64,64)语义向量77,768 输出去噪的隐变量(4,64,64) Image Decoder 功能将图片信息隐变量转换为一张真正的图片。输入去噪的隐变量(4,64,64) 输出一张真正的图片(3,512,512)
大概流程中的向量形状变化就是这样至于语义向量的形状为什么是奇怪的77,768的形状我们后面讲到Text Encoder里面的CLIP模型的时候还会讲到这里就暂且按下不表。
二、扩散(Diffusion)到底是什么意思
Diffusion模型翻译成中文也就是扩散模型那这个扩散到底体现在什么地方呢这就是我们这第二部分着重要描述的过程。首先我们先用random函数生成一个隐变量大小的纯噪声【下图中左下透明4*4】。而扩散的过程发生在Image Information Creator中有了初始的纯噪声【下图中左下透明4*4】语义向量【下图左上蓝色3*5】后unet会结合语义向量不断的去除纯噪声隐变量中的噪声重复50~100次左右就完全去除了噪声同时不断的向隐变量中注入语义信息我们就得到了一个有语义的隐变量【下图粉色4*4】。别忘了我们还有一个scheduler它就用来控制unet去噪的强度以统筹整个去噪的过程。scheduler可以在去噪的不同阶段中动态地调整去噪强度也可以在某些特殊的任务里匀速地去除噪声这都取决于我们一开始的设计。 这个扩散过程是一步一步迭代去噪的每一步都向隐变量中注入语义信息不断重复直到去噪完成为止。为了有个直观的认识我们可以把初始的纯噪声【下图左上透明4*4】和最后的去噪隐变量【下图右上粉色4*4】都通过最后的Image Decoder看看会出来什么样的图片。不出意料纯噪声本身没有任何有效信息解码出来的图片也会是纯噪声如下图左侧所示。而最后的去噪隐变量由于已经耦合了语义信息因此最后解码出来的也是一张包含语义信息的有效图片如下图右侧图片所示。 刚才我们也提到过扩散过程是一个多次迭代的过程。每一步迭代的输入都是一个隐变量输出也是一个隐变量只不过输出的这个隐变量噪声更少并且语义信息更多。下图中4*4的隐变量不断从透明变粉的过程就代表了这个迭代的过程颜色越粉迭代次数越多噪声也就越少。 这个时候我们再偷偷用Image Decoder提前看一下每一步所对应的图片就会看到我们想要的图片一步一步地脱胎于噪声的全过程 这是一个神奇的过程下面的视频展示了迭代去噪的全过程我们可以看一下视频的展示
三、总结
至此我们已经了解了Stable Diffusion是什么以及其中的种种模块是什么甚至还简单的窥视了一下它的工作过程。至于为什么Diffusion如何训练、如何控制鉴于篇幅原因就容我放到后文中再去细讲了。这里最后再简单做一下总结 第一部分介绍了一些Stable Diffusion中的主要模块——包括一个Text Understander处理语义信息一个Image Information Creator生成图片的隐变量一个Image Decoder利用隐变量生成真正的图片。 其次还介绍了一下Diffusion生成图片的流程——包括向量形状在系统中经历的一系列变化以及各个阶段图片隐变量解码后的可视化。
零基础读懂Stable DiffusionII怎么训练
一Diffusion怎么训练
Diffusion模型能够生成高质量图片其核心原因在于我们现在有着极其强大的计算机视觉模型。只要数据集够大我们强大的模型就能学习到任何复杂的操作。那具体diffusion里面让unet学习了怎样一个操作呢简单来说就是“去噪”。
那如何为去噪的任务设计数据集呢很简单我们只要向普通的照片里添加噪声不就有了加噪的图片了嘛。假定我们现在有一张金字塔的图片我们用random函数生成从强到弱各个强度的噪声比如下图中0~3共计4个强度的噪声。现在我们选定个某个强度的噪声比如下图中选了噪声1并且把这个噪声添加到图片里 训练集如何制作1选张图片 2生成从强到弱各个强度的噪声 3从中选个噪声比如强度1 4加到图片里
现在我们就制作完成了训练集里面的一张图片。按照这样的操作选一张图片再选一种强度的噪声混合我们还可以制作很多训练集。比如下面就选了图书馆的一张照片混合了强度为2的噪声创造了一个更模糊一点的训练样本 上面仅仅作为一个简单的例子所以噪声只设置了四个档位。实际上我们可以更细腻地划分噪声的等级将其分为几十个甚至上百个档位这样就可以创建出成千上万个训练集。比如我们现在噪声设置成100个档位下面就展示了利用不同的档位结合不同的图片创建6张训练集的过程 这样的话一组训练集包括了三样东西噪声强度(上图数字)加噪后的图片(上图左列图片)以及噪声图上图右列图片就可以了。训练的时候我们的unet只要在已知噪声强度的条件下学习如何从加噪后的图片中计算出噪声图就可以了。注意我们并不直接输出无噪声的原图而是让unet去预测原图上所加过的噪声。当需要生成图片的时候我们用加噪图减掉噪声就能恢复出原图了。
具体的一个训练过程就如下图所示一共分四步走 从训练集中选取一张加噪过的图片和噪声强度比如下面的加噪街道图和噪声强度3。 输入unet让unet预测噪声图比如下图的unet prediction。 计算和真正的噪声图之间的误差 通过反向传播更新unet的参数。 那完成训练后我们该如何生成图片呢
二Diffusion怎么生成图片
假设我们现在已经按照上面的步骤训练好了一个unet这就意味着它就可以成功从一个加噪的图片中推断出噪声了。如下图中知道噪声强度的情况下给unet输入一张有噪图unet就输出有噪图上面加过的噪声 只要知道噪声强度训练好的unet就可以成功推断出噪声
既然现在噪声图能够被推断出来我们只要把加噪后的图片减去这个噪声图就可以轻松得到一张略微去噪的图片了 重复这个过程预测噪声图再减去噪声图进行第二步去噪 不断地重复这个过程不断的去除一张噪声图片的噪声最终我们就可以得到一张很棒的图片。这个图片是接近训练集分布的它和训练集保有相同的像素规律。比如你用一个艺术家数据集去训练它就会遵循美学的颜色分布你用真实世界的训练集去训练它的结果就会尽量遵循真实世界的规律。现在你已经了解了Diffusion模型的基本规律了这不仅仅适用于Stable Diffusion也适用于OpenAI的Dall-E 2和Google的Imagen。
注意到上面这个过程中我们暂时还没有引入文字和语义向量的控制。也就是说如果单纯的按照上面的流程走我们可能能得到一些很炫酷的图片但我们没有办法去控制最后的结果到底是什么。那如何引入文字控制呢这就要使用语言模型和Attention机制来引入语义啦。
三、总结 Diffusion’s Training: 利用 **“噪声强度、噪声图、加噪后图片”**组成训练集训练unet使其学习如何从加噪后的图片推断出所加的噪声。 Diffusion’s Inference: 利用训练好的unet从纯噪声中一步一步去噪得到合理正常的图片。
零基础读懂Stable DiffusionIII怎么控制
第二部分中我们着重讲述了如何训练Stable Diffusion中的unet同时也了解了在训练好unet之后怎么使用它来去除噪声以及生成图片。然而还有一个重要的地方我们尚未提及那就是可控性。我们如何用语言来控制最后生成的结果答案也很简单——注意力机制。在第一部分中我们讲到一个unet除了要接收噪声图之外还要接受我们用Text Encoder预先提取的语义信息。那这个语义信息怎么在生成图片的过程中使用呢我们直接使用注意力机制在unet内层层耦合即可。下图中每个黄色的小方块都代表一次注意力机制的使用而每次使用注意力机制就发生了一次图片信息和语义信息的耦合。每一个unet内部这样的操作都会发生很多次很多次直到最后一个unet为止一直不断重复这耦合的过程。 有人可能就要问了语义信息是语义信息图片信息是图片信息怎么能用attention耦合到一块呢计算机怎么把这两种完全不同的信息联系到一起的呢这就要说到我们这篇文章的主角——CLIP模型了。
一CLIP模型介绍
自从2018年Bert发布以来Transformer的语言模型就成了主流。Stable Diffusion起初的版本便是用的基于GPT的CLIP模型而最近的2.x版本换成了更新更好的OpenCLIP。语言模型的选择直接决定了语义信息的优良与否而语义信息的好坏又会影响到最后图片的多样性和可控性。Google在Imagen论文中做过实验可以发现不同语言模型对生成结果的影响是相当大的。 那像CLIP这样的语言模型究竟是怎么训练出来的呢它们是怎么样做到结合人类语言和计算机视觉的呢接下来我们就来好好了解一下。
首先要训练一个结合人类语言和计算机视觉的模型我们就必须有一个结合人类语言和计算机视觉的数据集。CLIP就是在像下面这样的数据集上训练的只不过图片数据达到了可怕的4亿张而已。事实上这些数据都是从网上爬取下来的同时被爬取下来的还有它们的标签或者注释。 CLIP模型包含一个图片Encoder和一个文字Encoder。训练过程可以这么理解我们先从训练集中随机取出一张图片和一段文字。注意文字和图片未必是匹配的CLIP模型的任务就是预测图文是否匹配从而展开训练。在随机取出文字和图片后我们再用图片Encoder和文字Encoder分别压缩成两个embedding向量称之为图片embedding和文字embedding【下图两个蓝色3*1向量】。 然后我们用余弦相似度来比较两个embedding向量的相似性以判断我们随机抽取的文字和图片是否匹配。一开始的时候就算图片和文字配对的很好但由于我们的两个Encoder刚刚初始化参数都是混乱的因此两个embedding向量一定也是混乱的计算出来的相似度往往会接近于0。这就会出现下图这种状况明明图文是一对他们的label是similar但是余弦相似度算出来的prediction却是not similar 这个时候标签similar和预测结果not similar不匹配我们就根据这个结果去反向更新两个Encoder的参数 不断地重复这个反向传播的过程我们就能够训练好两个Encoder。对于配对的图片和文字这两个Encoder最后就可以输出相似的embedding向量计算余弦相似度就可以得到接近1的结果。而对于不匹配的图片和文字这两个Encoder就会输出很不一样的embedding向量使得余弦相似度计算出来接近0. 这个时候你给CLIP一张小狗的图片同时再给出文字描述“小狗照片”CLIP模型就会生成两个相似的embedding向量从而判断出文字和图片是匹配的。这个时候计算机视觉和人类语言这两个原本不相干的信息就通过CLIP联系到了一块二者就拥有了统一的数学表示了。你可以将文字通过一个Text Encoder转换成图片信息也可以将文字通过Image Encoder转换成语言信息二者就能够相互作用了。这也是Diffusion模型中可以通过文字生图片的秘密所在。
值得注意的是就像经典的word2vec训练时一样训练CLIP时不仅仅要选择匹配的图文来训练还要适当选择完全不匹配的图文给机器识别作为负样本来平衡正样本的数量。
二给图片注入语义
有了训练好的CLIP模型我们就获得了一个完美的工具用来联系语义信息和计算机视觉信息了。那如何利用CLIP模型呢一个很直白的思路就是对于一段描述文字我们先用CLIP的Text Encoder去压缩成embedding向量。在unet的去噪过程中我们就不断地用attention机制给去噪的过程注入这个embedding向量就可以不断注入语义信息了。
回忆一下在第二部分中我们介绍了没有语义信息时unet的输入输出情况。大概就是下图这个样子输入是噪声强度和加噪图输出是加噪图上所加的噪声。 现在有了语义的embedding向量稍作修改之后我们就有了新的输入输出关系图。语义embedding向量在下图中表示为蓝色3*5的方格 训练的数据集也添加了文字的数据对现在输入变成了噪声强度加噪图文字 要更清楚的知道语义向量是这么作用于这个过程中的我们必须更深入的了解一下Unet里面是怎么工作的。
1没有文字时的Unet
首先没有文字的时候unet宏观的工作模式我们已经很清楚了。unet的输入是加噪图和噪声强度输出是加噪图上所加的噪声 然后当我们要更细致的了解unet里面到底是什么样的时候就可以把上图中代表unet的小粉块放大来看。如下图所示整个unet内部的流程特点如下 整个unet是由一系列Resnet构成的。 每一层的输入都是上一层的输出。 一些输出用residual connection直接跳跃到后面去如下图中的虚线这种residualskip的操作也是很经典的unet思想。 噪声强度被转换成一个embedding向量输入到每一个子的Resnet里面。这也是噪声强度能控制unet的底层原理所在。 2有文字时的Unet
了解了没有文字时的unet是怎么工作的之后接下来我们就要加入文字的处理了。首先还是看宏观的输入输出相比上面额外添加了文字embedding作为输入【下图蓝色3*5】 我们再细看一下粉色的unet模块里到底发生了什么。如下图所示每个Resnet不再和相邻的Resnet直接连接而是在中间新增了Attention的模块。CLIP Encoder得到的语义embedding就用这个Attention模块来处理。 注意到Resnet模块并不直接以文字作为输入而是使用了Attention作为后处理模块。现在Unet就可以通过这一方式成功利用CLIP的语义信息了。就此我们也就能成功完成文生图的任务。
这里直接将该软件分享出来给大家吧~
1.stable diffusion安装包
随着技术的迭代目前 Stable Diffusion 已经能够生成非常艺术化的图片了完全有赶超人类的架势已经有不少工作被这类服务替代比如制作一个 logo 图片画一张虚拟老婆照片画质堪比相机。
最新 Stable Diffusion 除了有win多个版本就算说底端的显卡也能玩了哦此外还带来了Mac版本仅支持macOS 12.3或更高版本。 2.stable diffusion视频合集
我们在学习的时候往往书籍源码难以理解阅读困难这时候视频教程教程是就很适合了生动形象加上案例实战一步步带你入坑stable diffusion科学有趣才能更方便的学习下去。 3.stable diffusion模型下载
stable diffusion往往一开始使用时图片等无法达到理想的生成效果这时则需要通过使用大量训练数据调整模型的超参数如学习率、训练轮数、模型大小等可以使得模型更好地适应数据集并生成更加真实、准确、高质量的图像。 4.stable diffusion提示词
提示词是构建由文本到图像模型解释和理解的单词的过程。可以把它理解为你告诉 AI 模型要画什么而需要说的语言整个SD学习过程中都离不开这本提示词手册。 5.SD从0到落地实战演练 如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名SD大神的正确特征了。
这份完整版的stable diffusion资料我已经打包好需要的点击下方插件即可前往免费领取
