PAI-Diffusion 中文模型全面升级，海量高清艺术大图一键生成

背景

以Stable Diffusion模型为代表，AI生成内容（AI Generated Content，AIGC）的模型和应用呈现出井喷式的增长趋势。在先前的工作中，阿里云机器学习PAI团队开源了PAI-Diffusion系列模型，包括一系列通用场景和特定场景的文图生成模型，例如古诗配图、二次元动漫、魔幻现实等。这些模型的Pipeline除了包括标准的Diffusion Model，还集成了PAI团队先前提出的中文CLIP跨模态对齐模型使得模型可以生成符合中文文本描述的、各种场景下的高清大图。此外，由于Diffusion模型推理速度比较慢，而且需要耗费较多的硬件资源，我们结合由PAI自主研发的编译优化工具 PAI-Blade，支持对PAI-Diffusion模型的端到端的导出和推理加速，在A10机器下做到了1s内的中文大图生成。在本次的工作中，我们对之前的PAI-Diffusion中文模型进行大幅升级，主要的功能扩展包括：

• 图像生成质量的大幅提升、风格多样化：通过大量对模型预训练数据的处理和过滤，以及训练过程的优化，PAI-Diffusion中文模型生成的图像无论在质量上，还是在风格上都大幅超越先前版本；
• 丰富的精细化模型微调功能：除了对模型的标准微调，PAI-Diffusion中文模型支持开源社区的各种微调功能，包括LoRA、Textual Inversion、DreamBooth、ControlNet等，支持各类图像生成和编辑的功能；
• 简单易用的场景化定制方案：除了训练各种通用场景下的中文模型，我们也在垂类场景下做了很多尝试和探索，通过场景化的定制，可以在各种产品中使用这些模型，包括Diffuser API、WebUI等。

在下文中，我们详细介绍PAI-Diffusion中文模型的新功能和新特性。

艺术画廊

在详细介绍PAI-Diffusion中文模型及其功能前，我们首先带大家参观我们的艺术画廊，下面的所有图片都采用PAI-Diffusion中文模型真实生成。

PAI-Diffusion ModelZoo

我们利用海量中文图文对数据，训练了多个Diffusion中文模型，参数量均在10亿左右。本次我们开源了如下两个模型。概述如下所示：

为了提升模型输出图像的质量，在最大限度内避免出现不合规或低质量内容，我们搜集海量开源的图文对数据集，包括大规模中文跨模态预训练数据集WuKong、大规模多语言多模态数据集LAION-5B等。我们针对图像和文本进行了多种清洗方式，筛选掉违规和低质量数据。具体的数据处理方式包括NSFW（Not Safe From Work）数据过滤、水印数据去除，以及使用CLIP分数和美观值分数评分，选出最合适的预训练数据子集进行训练。与英文开源社区的Diffusion模型不同，我们的CLIP Text Encoder采用EasyNLP自研的中文CLIP模型（https://github.com/alibaba/EasyNLP），并且在Diffusion训练过程中冻结其参数，使得模型对中文语义的建模更加精确。值得注意的是，上表的图像分辨率指训练过程中的图像分辨率，在模型推理阶段可以设置不同的分辨率。

PAI-Diffusion模型特性

为了更加便于广大用户使用PAI-Diffusion模型，我们从如下几个方面详细介绍PAI-Diffusion模型的特性。

丰富多样的模型微调方法

PAI-Diffusion模型和社区Stable Diffusion等模型的参数量一般在十亿左右。这些模型的全量参数微调往往需要消耗大量计算资源。除了标准的模型微调，PAI-Diffusion模型支持多种轻量化微调算法，支持用户在计算量尽可能少的情况下，实现模型的特定领域、特定场景的微调。以下，我们也给出两个轻量化微调的示例。

使用LoRA进行模型轻量化微调

PAI-Diffusion模型可以使用LoRA（Low-Rank Adaptation）算法进行轻量化微调，大幅降低计算量。调用开源脚本train_text_to_image_lora.py，我们同样可以实现PAI-Diffusion中文模型的轻量化微调。训练命令示例如下：

export MODEL_NAME="model_name"
export TRAIN_DIR="path_to_your_dataset"
export OUTPUT_DIR="path_to_save_model"

accelerate launch train_text_to_image_lora.py \
  --pretrained_model_name_or_path=$MODEL_NAME \
  --train_data_dir=$TRAIN_DIR \
  --resolution=512 --center_crop --random_flip \
  --train_batch_size=1 \
  --gradient_accumulation_steps=4 \
  --max_train_steps=15000 \
  --learning_rate=1e-04 \
  --max_grad_norm=1 \
  --lr_scheduler="cosine" --lr_warmup_steps=0 \
  --output_dir=$OUTPUT_DIR

其中，MODEL_NAME是用于微调的PAI-Diffusion模型名称或路径，TRAIN_DIR是训练集的本地路径，OUTPUT_DIR为模型保存的本地路径（只包含LoRA微调参数部分）。当模型LoRA轻量化微调完毕之后可以使用如下示例代码进行文图生成：

from diffusers import StableDiffusionPipeline

model_id = "model_name"
lora_path = "model_path/checkpoint-xxx/pytorch_model.bin"
pipe = StableDiffusionPipeline.from_pretrained(model_id)
pipe.unet.load_attn_procs(torch.load(lora_path))
pipe.to("cuda")
image = pipe("input text").images[0]  
image.save("result.png")

其中，model_path即为微调后的模型保存的本地路径（只包含LoRA微调参数部分），即前一步骤的OUTPUT_DIR；model_id为原始的没有经过LoRA微调的模型。

使用Textual Inversion进行模型定制化轻量微调

由于PAI-Diffusion模型一般用于生成各种通用场景下的图像，Textual Inversion是一种定制化轻量微调技术，使模型生成原来模型没有学会的、新的概念相关图像。PAI-Diffusion模型可以使用Textual Inversion算法进行轻量化微调。同样地，我们可以运行脚本textual_inversion.py，训练命令示例如下：

export MODEL_NAME="model_name"
export TRAIN_DIR="path_to_your_dataset"
export OUTPUT_DIR="path_to_save_model"

accelerate launch textual_inversion.py \
  --pretrained_model_name_or_path=$MODEL_NAME \
  --train_data_dir=$TRAIN_DIR \
  --learnable_property="object" \
  --placeholder_token="<小奶猫>" --initializer_token="猫" \
  --resolution=512 \
  --train_batch_size=1 \
  --gradient_accumulation_steps=4 \
  --max_train_steps=100 \
  --learning_rate=5.0e-04 --scale_lr \
  --lr_scheduler="constant" \
  --lr_warmup_steps=0 \
  --output_dir=$OUTPUT_DIR

其中，MODEL_NAME是用于微调的PAI-Diffusion模型名称，TRAIN_DIR是前述训练集的本地路径，OUTPUT_DIR为模型保存的本地路径。其中placeholder_token是与新的概念相关的文本，initializer_token是与新的概念密切相关的字（用于初始化新的概念对应的参数），这里我们以小奶猫为例。当模型轻量化微调完毕之后可以使用如下示例代码进行文图生成：

from diffusers import StableDiffusionPipeline

model_path = "path_to_save_model"
pipe = StableDiffusionPipeline.from_pretrained(model_path).to("cuda")
image = pipe("input text").images[0]  
image.save("result.png")

其中，model_path即为微调后的模型保存的本地路径，即前一步骤的OUTPUT_DIR。注意在使用微调后的模型生成包含新的概念的图像时，文本中新的概念用步骤二中的placeholder_token表示，例如：

可控的图像编辑功能

AIGC系列模型的潜在风险在于容易生成不可控的、带有违法信息的内容，影响了这些模型在下游业务场景中的应用。PAI-Diffusion中文模型支持多种可控的图像编辑功能，允许用户对生成的图像内容作出限制，从而使得结果更加可用。PAI-Diffusion中文模型对StableDiffusionImg2ImgPipeline做到完全兼容，这一文本引导的图像编辑Pipeline允许模型在给定输入文本和图像的基础上，生成相关的图像，示例脚本如下：

from diffusers import StableDiffusionImg2ImgPipeline

pipe = StableDiffusionImg2ImgPipeline.from_pretrained("model_name").to("cuda")
image = pipe(prompt="input text", image=init_image, strength=0.75, guidance_scale=7.5).images[0]
image.save("result.png")

以下给出一个输入输出的示例：

场景定制化的功能支持

除了用于生成艺术大图，通过对PAI-Diffusion中文模型进行继续预训练，我们也可以得到高度场景化的中文模型。以下是PAI-Diffusion中文模型在美食数据上继续预训练后生成的结果，可以看出只要拥有高质量的业务数据，可以产出针对不同业务场景的Diffusion模型。这些模型可以进一步与LoRA、ControlNet等技术进行无缝结合，做到与业务更契合、更可控的图像编辑与生成。

模型的使用和下载

在开源社区使用PAI-Diffusion中文模型

为了方便开源社区使用这些模型，我们将这两个模型接入了两个知名的开源模型分享社区HuggingFace和ModelScope。以HuggingFace为例，我们可以使用如下代码进行模型推理：

from diffusers import StableDiffusionPipeline

model_id = "alibaba-pai/pai-diffusion-artist-large-zh"
pipe = StableDiffusionPipeline.from_pretrained(model_id)
pipe = pipe.to("cuda")

prompt = "雾蒙蒙的日出在湖面上"
image = pipe(prompt).images[0]  
image.save("result.png")

在ModelScope的使用接口示例如下：

from modelscope.pipelines import pipeline
import cv2

p = pipeline('text-to-image-synthesis', 'PAI/pai-diffusion-artist-large-zh', model_revision='v1.0.0')
result = p({'text': '雾蒙蒙的日出在湖面上'})
image = result["output_imgs"][0]
cv2.imwrite("image.png", image)

此外，我们也在EasyNLP算法框架中开设了Diffusion算法专区（链接），提供各种PAI-Diffusio模型的使用脚本和教程。

在PAI-DSW使用PAI-Diffusion中文模型

PAI-DSW（Data Science Workshop）是阿里云机器学习平台PAI开发的云上IDE，面向不同水平的开发者，提供了交互式的编程环境（文档）。在DSW Gallery中，提供了各种Notebook示例，方便用户轻松上手DSW，搭建各种机器学习应用。我们也在DSW Gallery中上架了使用PAI-Diffusion中文模型的Sample Notebook，欢迎大家体验！

免费领取：阿里云机器学习平台PAI为开发者提供免费试用额度,包含DSW、DLC、EAS多款产品。https://free.aliyun.com/?pipCode=learn

未来展望

在这一期的工作中，我们对PAI-Diffusion中文模型的效果和功能进行了大幅扩展，使得图像生成质量的大幅提升、风格多样化。同时，我们支持包括LoRA、Textual Inversion等多种精细化模型微调和编辑功能。此外，我们也展示了多种场景化定制方案，方便用户在特定场景下训练和使用自己的Diffusion中文模型。在未来，我们计划进一步扩展各种场景的模型功能。

作者：段忠杰（终劫）、刘冰雁（伍拾）、汪诚愚（熊兮）、黄俊（临在）

原文链接

本文为阿里云原创内容，未经允许不得转载。