Stable Diffusion你需要知道的算法原理(通俗版)

ASAK 发表于 1月以前  | 总阅读数:270 次

前言

本篇文章旨在以更加通俗易懂的给大家讲解Stable Diffusion生成原理,通过本文,你将掌握以下知识:

01 Stable Diffusion原理介绍

  1. 什么是扩散(Diffusion)?
  2. 扩散(Diffusion)是怎么能被稳定(Stable)控制的?(以文生图为例)
  3. CLIP:我们输入的文字prompt是如何起作用的?
  4. UNET:扩散模型的工作原理
  5. 理解VAE的编解码过程

02 模型训练相关原理

  1. 机器是如何认识图片的?
  2. 模型是如何被训练的?

03 大模型微调技术

  1. 为什么要进行大模型微调?
  2. 大模型微调需要解决的两个问题
  3. 常见的大模型微调技术及其原理(Dreambooth/LoRA/Embedding/ Hypernetwork)

01 Stable Diffusion原理介绍

1 什么是扩散(Diffusion)?

首先,大家要明确(Stable Diffusion)是一个算法,我们说的Stable Difuusion web UI是基于这个算法的一个工具。

我们不妨先来学习一下英语:Stable Diffusion中的Stable是稳定的(adj.),Diffusion是扩散(n.),所以Stable Diffusion的简单理解就是一种稳定的扩散的算法。

在图像领域中,扩散算法是通过一定规则去噪(反向扩散)或加噪(正向扩散)的过程。如下图演示的就是以prompt为**a red flower**做扩散的过程,从最开始的灰色噪点块、逐渐去噪到最终的清晰的过程:

2 扩散(Diffusion)是怎么能被稳定(Stable)控制的?

我们以文生图为例,给大家看一下Stable Diffusion的原理:

这里的过程,大家可以把它抽象理解为一个大函数Fsd(prompt),即:我们输入一段自然语义prompt,经过一系列函数运算和变化,最终输出一张图的过程。

3 CLIP:我们输入的文字prompt是如何起作用的?

我们先来看第一个部分,我们输入了一段咒语,这段咒语是如何起作用的?让我们咒语起作用的是一段叫做CLIP的算法,CLIP是Text Encoder算法的一种,Text Encoder大家从字面意思也能够理解,是把文字转化为代码的一种算法,他的主要功能是把自然语义prompt转变为词特性向量(Embedding)。

如下图所示,我们举个例子,比如我们输入了一个prompt:**可爱的女孩**,CLIP算法作自然语义处理的时候会根据之前被程序员调教的经验,大概感知到可爱的女孩可能具有哪些特征?比如他们可能有”大大圆圆的眼睛“,可能有”白皙的肌肤“,可能有”可爱的神态“等等,然后这些可能得特征被转化为77个等长的token词向量(每个向量包含768个维度),这就是我们说的Embedding。

讲到这里你们会说,诶,不对啊,你看同样是关键词,你的为啥就这么好看,我的生成出来就很丑?那是因为,当我们输入同一个prompt,我们的text encoder过程是一样,也就是你得到的词向量是一致的,但是后面的去噪算法依赖模型不同,生成的效果千差万别。

那么接下来我们来讲一下SD里最重要的UNET算法。

4 UNET:扩散模型的工作原理

UNET他是一种根据词向量的扩散算法,他的工作原理如下图所示,在上面说到的Clip算法会根据我们输入的prompt输出对应机器能识别的词向量(Embedding),这个Embedding大家也只需要粗浅理解为他是一个函数,包含(Q、K、V)三个参数就好了。

这三个参数会根据我们输入的对应扩散步长,作用于UNET去噪算法的每一步,比如下图中,我设置了去噪步长为20步,大家能看到这张图逐渐扩散生成的效果。

这里需要注意的是,UNET去噪的时候,原理比上图描述的复杂很多,它其实并不是一步一步去噪就能得到对应效果的,如果仅仅是一步一步的去噪,效果往往很差,并不能精确得到描述文本的图片。

所以在这里我会稍微讲得深入一些,介绍一下Classifier Free Guidance引导方法:

为了保证我们的prompt最终的精确性,在UNET分步去噪的时候,比如我设置的去噪步长为20,他会在每一步都生成一个有prompt特征引导的图和一个没有prompt特征引导的图,然后把两者相减,就得到了每一个去噪步骤中单纯由文字引导的特征信号,然后将这个特征信号大很多倍,这就加强了文本引导。

同时,在第N+1步去噪结束后,它还会用第N+1步去噪的信息特征减去第N部的特征,然后继续方法很多倍,这样保证prompt在每一步都能有足够权重比参与运算。

上面那一段大家看不懂也没关系,用通俗的大白话来说,就是这个方法加强了prompt的权重。这个方法在Stable Diffusion web UI中被直译为提示词相关性,是一个常用参数,他的数值决定了生成的图与提示词的相关程度。

说完了文生图,我们大概也说一下图生图,咱们在使用Stable Diffusion web UI的时候用图生图的功能,往往是给一张图,然后再输入一段prompt,比如我们还是设置扩散步数N=20,这时候,它的原理是先把我们提供的图进行逐步加噪,逐步提取图片信息,使它变成一张完全的噪点图,再让prompt起作用,结合上面的UNET算法逐步去噪,得到既有素材图片特征也有prompt特征的最终效果图。

5 理解VAE的编解码过程

最后我们简单来理解一下CAE编解码的过程,VAE全称变分自编码器,这里大家不需要做太多理解,只需要知道他是一个先压缩后解压的算法就好了。

需要注意的是,我们上面写的UNET算法不是直接在图片上进行的,而是在”负空间“进行的,大家理解为在代码层面即可。VAE他的原理如下图所示,假如我们要生成的图是512x512的,VAE算法在一开始的时候,会把它压缩到八分之一,变成64x64,然后走UNET算法的时候,会把图形数据带在噪点图中,这个过程叫Encoder,然后再走完UNET算法后,我们得到了一个带有所有图片特征的噪点图,此时VAE再进行Decoder过程,把这张图解析并放大成512x512,知道到这里即可,不要深究。

讲到这里,其实SD的原理就已经讲完了,还好吧?其实也没那么难对吧?接下来我们要讲一下模型训练,先来看看模型是如何被训练出来的。

模型训练相关原理

1 机器是如何认识图片的?

首先,我们先来看看机器是如何认识图片的。相信大家都听说过,最初计算机视觉训练认识物体的时候,采用的是成对训练的方法,通过“图”+“对应描述”成对训练。运用图像识别、自然语义处理与卷积神经网络等一系列技术让计算机能够识别这个图形。

如上图所示,我们不停的给计算机喂成千上亿张狗的图,然后告诉他,你看这是狗,这也是狗,这还是狗,然后机器会不断归纳狗的特征,重复学习亿遍后,它就认识狗了。

2.可供调用的模型是如何训练的?好了,假设这时候,机器已经能识别万物了,这时候机器由于学习的图片风格都不同,生成的图片有可能不满足我们的期望,举个例子:假设程序员经过十年的努力后,让机器正确认识了小女孩的特征,不会出现三个眼睛两个嘴巴。

当我们输入一个**a cute girl**,生成的是图A,这时候假如A的风格与我们想要的完全不同,比如我们想要的是B这种,这时候程序员们就会不断调整函数中的各种算法和参数,使得产出的图形A无限接近图像B,然后停止训练,此时整个Fsd(x)函数的所有调整的参数,就被保存为一个.ckpt的文件,这个叫checkpoint的文件就是程序员训练好的可供调用的AI绘图大模型,他能保证我们每次生成的图偏向于某种特征集合。

整个过程如下图所示:

在我们去逛C站的过程中我们知道,Stable Diffusion可用模型有两类:

(1)safetensors:

safetensors 文件是用numpy 保存的,这意味着它们只包含张量数据,没有任何代码,加载.safetensors 文件更安全和快速。供调用的AI绘图大模型。

(2)ckpt:

ckpt 文件是用pickle 序列化的,这意味着它们可能包含恶意代码,如果你不信任模型来源,加载.ckpt 文件可能会危及你的安全。

这里大家简单了解,在C站下载模型的时候,优先下载.safetensors即可。

大模型微调技术

1 为什么要进行大模型微调?

刚刚上文我们介绍的Unet模型是SD中最重要的模型网络,内部包含上亿个参数,要训练这样一个超大的模型,大概需要15亿个图像文本,使用256张A100显卡跑15万个GPU小时,大概成本是60万美元,我们设计师不能像程序员那样动不动就调函数参数训练模型(主要是不会)。

那咋整?上面我们讲到UNET泛用性极强,泛用性极强就会带来风格化不足,可能无法满足特定风格的需要。所以我们往往会对UNET大模型进行微调,让他更符合我们的使用场景。接下来我将要给大家介绍模型微调技术。

也就是大家之后在Stable Diffusion里常用的训练方法,今天不会讲具体怎么训练,我只会给大家讲原理,讲明白了原理,大家在自学训练方法的时候则更容易理解。

2 大模型微调需要解决的两个问题

所有的大模型微调技术,都是基于要解决以下两个问题:

  • (1)如何减少训练参数,提高训练效率和生成图像的质量;
  • (2)如何解决模型泛化性差的问题;泛化性是模型对心数据的适应能力,他具体表现为过拟合和欠拟合两种,如下图所示:

a.过拟合(Overfitting)是指微调模型对原始模型的语义理解程度发生了变化,整体训练出现语义漂移的现象:比如有一只猫,名字叫jojo,我拍了他的几十张照片,一直用a jojo cat这个名字来强化模型对这只猫的认知,等以后我输入a jojo cat的时候确实能出现想要的这只猫,但是我输入a cat的时候则出现的画面会很怪异,这就说明cat这个词被污染了,出现了过度拟合的现象。

b.欠拟合(Underfitting)是无法识别这一特征,比如它就完全识别不出jojo和cat的关系,这往往是训练样本量不足或者训练样本质量等因素导致,属于训练无效。

好,那么我们来看下常见的大模型微调技术都有哪些,以及他们是如何解决上面两个问题的。我们常见的大模型微调技术就是以下这四个:Dreambooth/LoRA/Embedding/Hypernetwork,这在我们后续学习Stable Diffusion过程中会经常用到,相信大家都已经或多或少了解一点了,接下来就带大家揭开他们神秘的面纱。

3 Dreambooth

我们先来看Dreambooth是怎么解决过拟合这个问题的:Dreambooth要求我们在训练过程中,“特征词+类别”和“类别”成对出现,解决过拟合的问题;比如之前提到的我如果想训练这只叫JOJO的猫的模型,又不能让它跟“猫”这个词过度拟合,我们可以采用的这样的输入方法。这样的话AI就能识别到:JOJO cat is a cat named JOJO。

Dreambooth是google在2022年8月提出的一种新的图像算法,其方法可以完整的获得你想要的模型的视觉特征,它的提出既不是为了训练人物也不是为了训练画风,而是为了能在少量训练图像的基础上完美的还原细节特征。大家来看下图,是在当时微软研发大会上(如果我没记错的话)发布这个模型的时候对细节特征的描绘:

大家看看原图闹钟右侧有一个”黄色的3“,Dreambooth将他完整还原了,这说明使用Dreambooth确实可以完整的获得你想要的模型的视觉特征,所以当时发布的时候还是很牛的。Dreambooth虽然叫大模型微调技术,但是他调得一点都不微,他基本把UNET算法的每一层内部参数都调了一遍,如下图红色部分所示,所以他的优点和缺点都很明显。

Dreambooth优点是:可以将视觉特征完美融入;Dreambooth缺点是:需要调整UNet所有内部参数,训练时间长,模型体积大。

4 LoRA(大模型的低秩适配器)

讲完了Dreambooth之后我们来讲一下LoRA,相信大家都听过这个词了,一定对它非常感兴趣对不对?

要讲清楚LoRA的原理,还是得回到之前的UNET算法,还记得上面这张图吗?

这是SD的核心算法UNET的工作原理,SD内部的UNET神经网络运算结构是由很多很多的计算层叠加组成的,它的内部的每一个计算层大家把他看成一个一个的小函数,前一个函数的输出等于后一个函数的输入,随着层数的叠加,整个模型能够理解你所输出数据的特征。

前面说到的Dreambooth相当于是把unet里的每一层函数都要进行微调,所以我们说她计算量大,训练时间长,模型体积大。

但是LoRA就不同了,LoRA旨在减少模型的训练参数,提升模型训练效率;LoRA建议冻结预训练模型的权重,并将训练参数注入到Transformar函数架构的每个层中,他的优点就是不破坏原有模型,即插即用。如下图红色部分所示:

正因为LoRA他的插入层较少,他相较于Dreambooth,可以把训练参数降低1000倍,对CPU的要求也会下降三倍,所以训练出来的LoRA模型就会非常小,一般大家在C站下载过就知道,往往他们只有几十m,而一个大模型往往有几个g,所以他在我们日常工作中变得非常常用。

大家作为新手学习的时候,可以理解Lora是在原有模型上添加一个“滤镜”,让这个底模往我们期望的效果走。如下图所示,我用了一个revAnimated(一个偏动漫的底模型),当我们Prompt不变的情况下,加了一个盲盒效果的LoRA之后,相当于是给这个底模型上了一个滤镜,让整体底模型出来的效果往盲盒方向偏重:

5 Embedding(Text Inversion)

接下来我们来讲一下Embedding,Embedding也叫Text inversion(大家在C站下载的时候注意这是一个东西,他主要是用于训练特定的人或物),它反映的是一个Prompt与对应向量的映射记录关系的算法,可以用于训练特定的人或物。

还记得上面讲我们的咒语是如何起作用的时候的这张图么?

我们说过CLIP模型是Text Encoder算法的一种,Text Encoder主要是把自然语义prompt转变为词特性向量Embedding,所以我们可以针对我们的Prompt到向量的这个映射过程进行训练,去修改他们之间的映射记录关系,从而达到训练特定的人或物的效果,由于他生成的是一套纯文字映射记录,所以体积非常小,一般只有几百k。举个实际应用的例子,比如下面这个人物大家都很熟悉,是守望先锋里的Dva:

举个实际应用的例子,比如下面这个人物大家都很熟悉,是守望先锋里的Dva:如果我们要通过描述她的特征去把她描述出来,可能要几千个prompt tag才行,那我如果每次想生成Dva都要再打一次这么多prompt肯定不科学,这时候我们可以把这一串tag打包映射成一个新的词汇叫OW_Dva。

由于这个词是我们自创的,在CLIP映射集合里找不到对应的映射关系,所以CLIP会默认给他创建一个新的映射空间,经过一系列训练之后,我们后续就可以通过输入一个简单的词汇来完成一系列tag的打包效果。

6 Hypernetwork

最后我们来看一下Hypernetwork,他作为一种即将要被Lora淘汰了的技术,我们大概略讲一下他的原理就好了。

大家先看下图,我们来总结一下三种技术的原理和在UNET中的使用范围:

Dreambooth调整了整个UNET的函数和参数,所以他体积最大,适用范围最全,但是训练难度和训练耗时和成本最大。LoRA只将训练参数注入到了部分Transformar函数中,所以他不改变原模型,即插即用,模型大小也可控,是我们后续学习的重点。

而Hypernetwork,大家看图,他是新建了一个单独的神经网络模型,插入到原UNet模型的中间层。在训练过程中,冻结所有参数,只训练插入部分,从而使输出图像与输入指令之间产生关联关系,同时只改变原模型的一小块内容。从这个原理的描述上,大家就能发现,Hypernetwork这种方法更适合用于训练某种画风,比如像素画之类的,大家在C站能找到的Hypernetwork模型也几乎都是画风训练的,但是不是说他不能训练别的,它也是可以训练人物的,就是比LoRA麻烦一点。

总之,他几乎是一个咋国内几乎要被LoRA淘汰的技术(注意是国内,注意是几乎,杠精别杠),大家去知乎什么的看paper,关于HyperNetworks的相关paper都在2022年前,所以大家就也把他当成一个”滤镜“来理解即可。

今天的分享就到这里,内容非常干,适合大家先看一遍,有个印象,以后在实操过程中哪里不懂可以再翻出来看。最后说一下声明:在本文中为了方便大家通俗理解,作者对算法原理进行了某种程度的简化,并不能代表模型函数运行的100%实质(防杠)。

本文由微信公众号ASAK原创,哈喽比特收录。
文章来源:https://mp.weixin.qq.com/s/2-mihwrCmYW2We2H67zzPg

 相关推荐

刘强东夫妇:“移民美国”传言被驳斥

京东创始人刘强东和其妻子章泽天最近成为了互联网舆论关注的焦点。有关他们“移民美国”和在美国购买豪宅的传言在互联网上广泛传播。然而,京东官方通过微博发言人发布的消息澄清了这些传言,称这些言论纯属虚假信息和蓄意捏造。

发布于:7月以前  |  808次阅读  |  详细内容 »

博主曝三大运营商,将集体采购百万台华为Mate60系列

日前,据博主“@超能数码君老周”爆料,国内三大运营商中国移动、中国电信和中国联通预计将集体采购百万台规模的华为Mate60系列手机。

发布于:7月以前  |  770次阅读  |  详细内容 »

ASML CEO警告:出口管制不是可行做法,不要“逼迫中国大陆创新”

据报道,荷兰半导体设备公司ASML正看到美国对华遏制政策的负面影响。阿斯麦(ASML)CEO彼得·温宁克在一档电视节目中分享了他对中国大陆问题以及该公司面临的出口管制和保护主义的看法。彼得曾在多个场合表达了他对出口管制以及中荷经济关系的担忧。

发布于:7月以前  |  756次阅读  |  详细内容 »

抖音中长视频App青桃更名抖音精选,字节再发力对抗B站

今年早些时候,抖音悄然上线了一款名为“青桃”的 App,Slogan 为“看见你的热爱”,根据应用介绍可知,“青桃”是一个属于年轻人的兴趣知识视频平台,由抖音官方出品的中长视频关联版本,整体风格有些类似B站。

发布于:7月以前  |  648次阅读  |  详细内容 »

威马CDO:中国每百户家庭仅17户有车

日前,威马汽车首席数据官梅松林转发了一份“世界各国地区拥车率排行榜”,同时,他发文表示:中国汽车普及率低于非洲国家尼日利亚,每百户家庭仅17户有车。意大利世界排名第一,每十户中九户有车。

发布于:7月以前  |  589次阅读  |  详细内容 »

研究发现维生素 C 等抗氧化剂会刺激癌症生长和转移

近日,一项新的研究发现,维生素 C 和 E 等抗氧化剂会激活一种机制,刺激癌症肿瘤中新血管的生长,帮助它们生长和扩散。

发布于:7月以前  |  449次阅读  |  详细内容 »

苹果据称正引入3D打印技术,用以生产智能手表的钢质底盘

据媒体援引消息人士报道,苹果公司正在测试使用3D打印技术来生产其智能手表的钢质底盘。消息传出后,3D系统一度大涨超10%,不过截至周三收盘,该股涨幅回落至2%以内。

发布于:7月以前  |  446次阅读  |  详细内容 »

千万级抖音网红秀才账号被封禁

9月2日,坐拥千万粉丝的网红主播“秀才”账号被封禁,在社交媒体平台上引发热议。平台相关负责人表示,“秀才”账号违反平台相关规定,已封禁。据知情人士透露,秀才近期被举报存在违法行为,这可能是他被封禁的部分原因。据悉,“秀才”年龄39岁,是安徽省亳州市蒙城县人,抖音网红,粉丝数量超1200万。他曾被称为“中老年...

发布于:7月以前  |  445次阅读  |  详细内容 »

亚马逊股东起诉公司和贝索斯,称其在购买卫星发射服务时忽视了 SpaceX

9月3日消息,亚马逊的一些股东,包括持有该公司股票的一家养老基金,日前对亚马逊、其创始人贝索斯和其董事会提起诉讼,指控他们在为 Project Kuiper 卫星星座项目购买发射服务时“违反了信义义务”。

发布于:7月以前  |  444次阅读  |  详细内容 »

苹果上线AppsbyApple网站,以推广自家应用程序

据消息,为推广自家应用,苹果现推出了一个名为“Apps by Apple”的网站,展示了苹果为旗下产品(如 iPhone、iPad、Apple Watch、Mac 和 Apple TV)开发的各种应用程序。

发布于:7月以前  |  442次阅读  |  详细内容 »

特斯拉美国降价引发投资者不满:“这是短期麻醉剂”

特斯拉本周在美国大幅下调Model S和X售价,引发了该公司一些最坚定支持者的不满。知名特斯拉多头、未来基金(Future Fund)管理合伙人加里·布莱克发帖称,降价是一种“短期麻醉剂”,会让潜在客户等待进一步降价。

发布于:7月以前  |  441次阅读  |  详细内容 »

光刻机巨头阿斯麦:拿到许可,继续对华出口

据外媒9月2日报道,荷兰半导体设备制造商阿斯麦称,尽管荷兰政府颁布的半导体设备出口管制新规9月正式生效,但该公司已获得在2023年底以前向中国运送受限制芯片制造机器的许可。

发布于:7月以前  |  437次阅读  |  详细内容 »

马斯克与库克首次隔空合作:为苹果提供卫星服务

近日,根据美国证券交易委员会的文件显示,苹果卫星服务提供商 Globalstar 近期向马斯克旗下的 SpaceX 支付 6400 万美元(约 4.65 亿元人民币)。用于在 2023-2025 年期间,发射卫星,进一步扩展苹果 iPhone 系列的 SOS 卫星服务。

发布于:7月以前  |  430次阅读  |  详细内容 »

𝕏(推特)调整隐私政策,可拿用户发布的信息训练 AI 模型

据报道,马斯克旗下社交平台𝕏(推特)日前调整了隐私政策,允许 𝕏 使用用户发布的信息来训练其人工智能(AI)模型。新的隐私政策将于 9 月 29 日生效。新政策规定,𝕏可能会使用所收集到的平台信息和公开可用的信息,来帮助训练 𝕏 的机器学习或人工智能模型。

发布于:7月以前  |  428次阅读  |  详细内容 »

荣耀CEO谈华为手机回归:替老同事们高兴,对行业也是好事

9月2日,荣耀CEO赵明在采访中谈及华为手机回归时表示,替老同事们高兴,觉得手机行业,由于华为的回归,让竞争充满了更多的可能性和更多的魅力,对行业来说也是件好事。

发布于:7月以前  |  423次阅读  |  详细内容 »

AI操控无人机能力超越人类冠军

《自然》30日发表的一篇论文报道了一个名为Swift的人工智能(AI)系统,该系统驾驶无人机的能力可在真实世界中一对一冠军赛里战胜人类对手。

发布于:7月以前  |  423次阅读  |  详细内容 »

AI生成的蘑菇科普书存在可致命错误

近日,非营利组织纽约真菌学会(NYMS)发出警告,表示亚马逊为代表的电商平台上,充斥着各种AI生成的蘑菇觅食科普书籍,其中存在诸多错误。

发布于:7月以前  |  420次阅读  |  详细内容 »

社交媒体平台𝕏计划收集用户生物识别数据与工作教育经历

社交媒体平台𝕏(原推特)新隐私政策提到:“在您同意的情况下,我们可能出于安全、安保和身份识别目的收集和使用您的生物识别信息。”

发布于:7月以前  |  411次阅读  |  详细内容 »

国产扫地机器人热销欧洲,国产割草机器人抢占欧洲草坪

2023年德国柏林消费电子展上,各大企业都带来了最新的理念和产品,而高端化、本土化的中国产品正在不断吸引欧洲等国际市场的目光。

发布于:7月以前  |  406次阅读  |  详细内容 »

罗永浩吐槽iPhone15和14不会有区别,除了序列号变了

罗永浩日前在直播中吐槽苹果即将推出的 iPhone 新品,具体内容为:“以我对我‘子公司’的了解,我认为 iPhone 15 跟 iPhone 14 不会有什么区别的,除了序(列)号变了,这个‘不要脸’的东西,这个‘臭厨子’。

发布于:7月以前  |  398次阅读  |  详细内容 »
 目录