Stable Diffusion 是一个基于 Latent Diffusion Models（潜在扩散模型，LDMs）的文图生成（text-to-image）模型。具体来说，得益于 Stability AI 的计算资源支持和 LAION 的数据资源支持，Stable Diffusion 在 LAION-5B 的一个子集上训练了一个 Latent Diffusion Models，该模型专门用于文图生成。Latent Diffusion Models 通过在一个潜在表示空间中迭代“去噪”数据来生成图像，然后将表示结果解码为完整的图像，让文图生成能够在消费级 GPU 上，在10秒级别时间生成图片，大大降低了落地门槛，也带来了文图生成领域的大火。所以，如果你想了解 Stable Diffusion 的背后原理，可以先深入解读一下其背后的论文 High-Resolution Image Synthesis with Latent Diffusion Models。如果你想了解更多关于 Stable Diffusion 模型的信息，你可以查看由 🤗Huggingface 团队撰写的相关博客。
注：模型结构图引自CompVis/latent-diffusion仓库，生成图片引用自CompVis/stable-diffusion仓库。
| model name | params | weight |
|---|---|---|
CompVis/stable-diffusion-v1-4 |
0.98B | TODO |
runwayml/stable-diffusion-v1-5 |
0.98B | TODO |
- 当前页面仅支持上述基础模型的预训练，后续将陆续支持更多的Stable Diffusion模型。
- 模型下载地址：TODO，后续将提供 AI Studio 上预训练模型下载地址。
通过 git clone 命令拉取 PaddleMIX 源码，并安装必要的依赖库。请确保你的 PaddlePaddle 框架版本在 2.5.2 之后，PaddlePaddle 框架安装可参考 飞桨官网-安装。
# 克隆 PaddleMIX 仓库
git clone https://github.com/PaddlePaddle/PaddleMIX
# 安装2.5.2版本的paddlepaddle-gpu，当前我们选择了cuda11.7的版本，可以查看 https://www.paddlepaddle.org.cn/ 寻找自己适合的版本
python -m pip install paddlepaddle-gpu==2.5.2.post117 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
# 进入stable diffusion目录
cd PaddleMIX/ppdiffusers/examples/stable_diffusion
# 安装所需的依赖, 如果提示权限不够，请在最后增加 --user 选项
pip install -r requirements.txt注：本模型训练与推理需要依赖 CUDA 11.2 及以上版本，如果本地机器不符合要求，建议前往 AI Studio 进行模型训练、推理任务。
预训练 Stable Diffusion 使用 Laion400M 数据集，需要自行下载和处理，处理步骤详见 3.1自定义训练数据。本教程为了方便大家 体验跑通训练流程，提供了处理后的 Laion400M 部分数据集，可直接下载获取，详见 3.2。
如果需要自定义数据，推荐沿用coco_karpathy数据格式处理自己的数据。其中每条数据标注格式示例为:
{"caption": "A woman wearing a net on her head cutting a cake. ", "image": "val2014/COCO_val2014_000000522418.jpg", "image_id": "coco_522418"}
在准备好自定义数据集以后，我们可以使用 create_pretraining_data.py 生成我们需要的数据。
python create_pretraining_data.py \
--input_path ./coco_data/coco_data.jsonl \
--output_path ./processed_data \
--caption_key "caption" \
--image_key "image" \
--per_part_file_num 1000 \
--num_repeat 100 \
--save_gzip_filecreate_pretraining_data.py 可传入的参数解释如下：
--input_path: 输入的 jsonl 文件路径，可以查看coco_data文件夹的组织结构，自定义我们自己的数据。--output_path: 处理后的数据保存路径。--output_name: 输出文件的名称，默认为custom_dataset。--caption_key: jsonl文件中，每一行数据表示文本的 key 值，默认为caption。--image_key: jsonl文件中，每一行数据表示图片的 key 值，默认为image。--per_part_file_num: 每个part文件保存的数据数量，默认为1000。--save_gzip_file: 是否将文件保存为gzip的格式，默认为False。--num_repeat:custom_dataset.filelist文件中part数据的重复次数，默认为1。当前我们设置成100是为了能够制造更多的part数据，可以防止程序运行时会卡住，如果用户有很多数据的时候，无需修改该默认值。
运行上述命令后，会生成 ./processed_data 文件夹。
processed_data
├── filelist
| ├── custom_dataset.filelist.list
| └── custom_dataset.filelist
└── laion400m_format_data
└── part-000001.gz
processed_data/custom_dataset.filelist 是数据索引文件，包含100行数据，每行都代表一个数据文件的路径。请确保该文件的行数足够多，以防止在训练过程中出现卡顿，内容如下所示：
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
processed_data/laion400m_format_data/part-000001.gz
...
processed_data/custom_dataset.filelist.list 为filelist索引文件，内容如下所示：
processed_data/filelist/custom_dataset.filelist
processed_data/laion400m_format_data/part-000001.gz 为实际的数据文件，内容结构如下所示：
每一行以"\t"进行分割，第一列为 caption文本描述, 第二列为 占位符空, 第三列为 base64编码的图片，示例：caption, _, img_b64 = vec[:3]
demo 数据可通过如下命令下载与解压：
# 删除当前目录下的data
rm -rf data
# 下载 laion400m_demo 数据集
wget https://paddlenlp.bj.bcebos.com/models/community/junnyu/develop/laion400m_demo_data.tar.gz
# 解压
tar -zxvf laion400m_demo_data.tar.gz解压后文件目录如下所示：
data
├── filelist
| ├── train.filelist.list
| └── laion400m_en.filelist
├── laion400m_new
| └── part-00001.gz
└── laion400m_demo_data.tar.gz # 多余的压缩包，可以删除
laion400m_en.filelist 是数据索引文件，包含了6000行数据文件的路径（part-00001.gz 仅为部分数据），内容如下所示：
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
./data/laion400m_new/part-00001.gz
...
Stable Diffusion 模型包含 3 个组成部分：vae、text_encoder、unet，其中预训练仅需随机初始化 unet 部分，其余部分可直接加载预训练权重，本教程中我们加载 CompVis/stable-diffusion-v1-4 中的预训练好的 vae 以及text_encoder 权重，随机初始化了 unet 模型权重。
示例脚本配置在显存 ≥40GB 的显卡上可正常训练，如显存不满足要求，可通过修改参数的方式运行脚本：
- 如果本地环境显存不够，请使用 AIStudio 上 32G 显存的 GPU 环境，并修改
--per_device_train_batch_size为 32。 - bf16 混合精度训练模式支持 A100、3090、3080 等硬件，不支持使用 V100 进行训练，如果你的硬件满足要求，修改
--bf16为True可启动混合精度训练模式，体验更快速的训练。
注意，我们当前训练的分辨率是
256x256，如果需要训练512x512分辨率，请修改--resolution为 512 并且降低--per_device_train_batch_size参数，否则会报显存不足的错误。
单机单卡训练启动脚本如下，建议保存为 train.sh 后执行命令 sh train.sh：
export FLAG_FUSED_LINEAR=0
export FLAGS_conv_workspace_size_limit=4096
# 是否开启 ema
export FLAG_USE_EMA=0
# 是否开启 recompute
export FLAG_RECOMPUTE=1
# 是否开启 xformers
export FLAG_XFORMERS=1
# 如果使用自定义数据
FILE_LIST=./processed_data/filelist/custom_dataset.filelist.list
# 如果使用laion400m_demo数据集，需要把下面的注释取消
# FILE_LIST=./data/filelist/train.filelist.list
python -u train_txt2img_laion400m_trainer.py \
--do_train \
--output_dir ./laion400m_pretrain_output_trainer \
--per_device_train_batch_size 32 \
--gradient_accumulation_steps 1 \
--learning_rate 1e-4 \
--weight_decay 0.01 \
--max_steps 200000 \
--lr_scheduler_type "constant" \
--warmup_steps 0 \
--image_logging_steps 1000 \
--logging_steps 10 \
--resolution 256 \
--save_steps 10000 \
--save_total_limit 20 \
--seed 23 \
--dataloader_num_workers 4 \
--vae_name_or_path CompVis/stable-diffusion-v1-4/vae \
--text_encoder_name_or_path CompVis/stable-diffusion-v1-4/text_encoder \
--unet_name_or_path ./sd/unet_config.json \
--file_list ${FILE_LIST} \
--model_max_length 77 \
--max_grad_norm -1 \
--disable_tqdm True \
--bf16 Falsetrain_txt2img_laion400m_trainer.py 可传入的参数解释如下：
--vae_name_or_path: 预训练vae模型名称或地址，CompVis/stable-diffusion-v1-4/vae为kl-8.ckpt，程序将自动从 BOS 上下载预训练好的权重，默认值为None。--text_encoder_name_or_path: 预训练text_encoder模型名称或地址，当前仅支持CLIPTextModel，默认值为None。--unet_name_or_path: 预训练unet模型名称或地址，默认值为None。--pretrained_model_name_or_path: 加载预训练模型的名称或本地路径，如CompVis/stable-diffusion-v1-4，vae_name_or_path，text_encoder_name_or_path和unet_name_or_path的优先级高于pretrained_model_name_or_path。--per_device_train_batch_size: 训练时每张显卡所使用的batch_size批量，当我们的显存较小的时候，需要将这个值设置的小一点。--gradient_accumulation_steps: 梯度累积的步数，用户可以指定梯度累积的步数，在梯度累积的 step 中。减少多卡之间梯度的通信，减少更新的次数，扩大训练的 batch_size。--learning_rate: 学习率。--unet_learning_rate:unet的学习率，这里的学习率优先级将会高于learning_rate，默认值为None。--train_text_encoder: 是否同时训练text_encoder，默认值为False。--text_encoder_learning_rate:text_encoder的学习率，默认值为None。--weight_decay: AdamW 优化器的weight_decay。--max_steps: 最大的训练步数。--save_steps: 每间隔多少步（global step步数），保存模型。--save_total_limit: 最多保存多少个模型。--lr_scheduler_type: 要使用的学习率调度策略。默认为constant。--warmup_steps: 用于从 0 到learning_rate的线性 warmup 的步数。--resolution: 预训练阶段将训练的图像的分辨率，默认为512。--noise_offset: 预训练阶段生成操作时的偏移量，默认为0。--snr_gamma: 平衡损失时使用的 SNR 加权 gamma 值。建议为5.0，默认为None。更多细节在这里：https://arxiv.org/abs/2303.09556 。--input_perturbation: 输入扰动的尺度，推荐为0.1，默认值为0。--image_logging_steps: 每隔多少步，log 训练过程中的图片，默认为1000步，注意image_logging_steps需要是logging_steps的整数倍。--logging_steps: logging 日志的步数，默认为50步。--output_dir: 模型保存路径。--seed: 随机种子，为了可以复现训练结果，Tips：当前 paddle 设置该随机种子后仍无法完美复现。--dataloader_num_workers: Dataloader 所使用的num_workers参数，请确保处理后的part文件数量要大于等于dataloader_num_workers*num_gpus，否则程序会卡住，例如：dataloader_num_workers=4、num_gpus=2时候，请确保切分后的part文件数量要大于等于8。--file_list: file_list 文件地址。--num_inference_steps: 推理预测时候使用的步数。--model_max_length:tokenizer中的model_max_length参数，超过该长度将会被截断。--tokenizer_name: 我们需要使用的tokenizer_name。--prediction_type: 预测类型，可从["epsilon", "v_prediction"]选择。--use_ema: 是否对unet使用ema，默认为False。--max_grad_norm: 梯度剪裁的最大 norm 值，-1表示不使用梯度裁剪策略。--recompute: 是否开启重计算，(bool，可选，默认为False)，在开启后我们可以增大 batch_size，注意在小 batch_size 的条件下，开启 recompute 后显存变化不明显，只有当开大 batch_size 后才能明显感受到区别。--bf16: 是否使用 bf16 混合精度模式训练，默认是 fp32 训练。(bool，可选，默认为False)--fp16: 是否使用 fp16 混合精度模式训练，默认是 fp32 训练。(bool，可选，默认为False)--fp16_opt_level: 混合精度训练模式，可为O1或O2模式，默认O1模式，默认O1只在 fp16 选项开启时候生效。--enable_xformers_memory_efficient_attention: 是否开启xformers，开启后训练速度会变慢，但是能够节省显存。注意我们需要安装大于等于 2.5.2 版本的 paddlepaddle！--only_save_updated_model: 是否仅保存经过训练的权重，比如保存unet、ema 版 unet、text_encoder，默认值为True。
export FLAG_FUSED_LINEAR=0
export FLAGS_conv_workspace_size_limit=4096
# 是否开启 ema
export FLAG_USE_EMA=0
# 是否开启 recompute
export FLAG_RECOMPUTE=1
# 是否开启 xformers
export FLAG_XFORMERS=1
# 如果使用自定义数据
FILE_LIST=./processed_data/filelist/custom_dataset.filelist.list
# 如果使用laion400m_demo数据集，需要把下面的注释取消
# FILE_LIST=./data/filelist/train.filelist.list
python -u -m paddle.distributed.launch --gpus "0,1,2,3,4,5,6,7" train_txt2img_laion400m_trainer.py \
--do_train \
--output_dir ./laion400m_pretrain_output_trainer \
--per_device_train_batch_size 32 \
--gradient_accumulation_steps 1 \
--learning_rate 1e-4 \
--weight_decay 0.01 \
--max_steps 200000 \
--lr_scheduler_type "constant" \
--warmup_steps 0 \
--image_logging_steps 1000 \
--logging_steps 10 \
--resolution 256 \
--save_steps 10000 \
--save_total_limit 20 \
--seed 23 \
--dataloader_num_workers 4 \
--vae_name_or_path CompVis/stable-diffusion-v1-4/vae \
--text_encoder_name_or_path CompVis/stable-diffusion-v1-4/text_encoder \
--unet_name_or_path ./unet_config.json \
--file_list ${FILE_LIST} \
--model_max_length 77 \
--max_grad_norm -1 \
--disable_tqdm True \
--bf16 False需在 paddle.distributed.launch 后增加参数 --ips IP1,IP2,IP3,IP4，分别对应多台机器的 IP，更多信息可参考 飞桨官网-分布式训练。
请将下面的代码保存到 eval.py 中并运行。你可以选择直接加载训练好的模型权重完成推理，具体做法参考 5.1。如果你使用自定义数据完成了模型训练并保存了 checkpoint，你可以选择加载自行训练的模型参数进行推理，具体做法参考 5.2。
未经完整训练，直接加载公开发布的模型参数进行推理。
from ppdiffusers import StableDiffusionPipeline, UNet2DConditionModel
# 加载公开发布的 unet 权重
unet_model_name_or_path = "CompVis/stable-diffusion-v1-4/unet"
unet = UNet2DConditionModel.from_pretrained(unet_model_name_or_path)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", safety_checker=None, unet=unet)
prompt = "a photo of an astronaut riding a horse on mars" # or a little girl dances in the cherry blossom rain
image = pipe(prompt, guidance_scale=7.5, width=512, height=512).images[0]
image.save("astronaut_rides_horse.png")待模型训练完毕，会在 output_dir 保存训练好的模型权重，使用自行训练后生成的模型参数进行推理。
from ppdiffusers import StableDiffusionPipeline, UNet2DConditionModel
# 加载上面我们训练好的 unet 权重
unet_model_name_or_path = "./laion400m_pretrain_output_trainer/checkpoint-5000/unet"
unet = UNet2DConditionModel.from_pretrained(unet_model_name_or_path)
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", safety_checker=None, unet=unet)
prompt = "a photo of an astronaut riding a horse on mars"
# 当前训练的是256x256分辨率图片,因此请确保训练和推理参数最好一致
image = pipe(prompt, guidance_scale=7.5, width=256, height=256).images[0]
image.save("astronaut_rides_horse.png")