單卡就能運行AI畫畫模型，小白也能看懂的教程來了，還有100萬卡時免費NPU算力可用丨昇思MindSpore

蕭簫 2022-12-27 17:33:28 來源：量子位

允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

昇思MindSpore首個可訓(xùn)練的diffusion模型DDPM馬上要和大家見面了，操作簡單，可訓(xùn)練+推理，單卡即可運行。

最近爆火的AI繪圖，相信大家并不陌生了。

從AI繪圖軟件生成的作品打敗一眾人類藝術(shù)家，斬獲數(shù)字藝術(shù)類冠軍，到如今DALL.E、Imagen、novelai等國內(nèi)外平臺遍地開花。

也許你也曾點開過相關(guān)網(wǎng)站，嘗試讓AI描繪你腦海中的風(fēng)景，又或者上傳了一張自己帥氣/美美的照片，然后對著最后生成的糙漢哭笑不得。

那么，在你感受AI繪圖魅力的同時，有沒有想過（不你肯定想過），它背后的奧妙究竟是什么？

一切，都要從一個名為DDPM的模型說起…

DDPM是什么？

DDPM模型，全稱Denoising Diffusion Probabilistic Model，可以說是現(xiàn)階段diffusion模型的開山鼻祖。

不同于前輩GAN、VAE和flow等模型，diffusion模型的整體思路是通過一種偏向于優(yōu)化的方式，逐步從一個純噪音的圖片中生成圖像。

有的小伙伴可能會問了，什么是純噪音圖片？

很簡單，老式電視機沒信號時，伴隨著“刺啦刺啦”噪音出現(xiàn)的雪花圖片，就屬于純噪音圖片。

而DDPM在生成階段所做的事情，就是把這些個“雪花”一點點移除，直到清晰的圖像露出它的廬山真面目，我們把這個階段稱之為“去噪”。

通過描述，大家可以感受到，去噪其實是個相當復(fù)雜的過程。

沒有一定的去噪規(guī)律，可能你忙活了好半天，到最后還是對著奇形怪狀的圖片欲哭無淚。

當然，不同類型的圖片也會有不同的去噪規(guī)律，至于怎么讓機器學(xué)會這種規(guī)律，有人靈機一動，想到了一種絕妙的方法：

既然去噪規(guī)律不好學(xué)，那我為什么不先通過加噪的方式，先把一張圖片變成純噪音圖像，再把整個過程反著來一遍呢？

這便奠定了diffusion模型整個訓(xùn)練-推理的流程：先在前向過程（forward process）通過逐步加噪，將圖片轉(zhuǎn)換為一個近似可用高斯分布的純噪音圖像；

緊接著在反向過程（reverse process）中逐步去噪，生成圖像；

最后以增大原始圖像和生成圖像的相似度作為目標，優(yōu)化模型，直至達到理想效果。

到這里，不知道大家的接受度怎樣？如果感覺沒問題，輕輕松松的話，準備好，我要開始上大招（深入理論）啦。

1.1.1 前向過程（forward process）

前向過程又稱為擴散過程（diffusion process），整體是一個參數(shù)化的馬爾可夫鏈（Markov chain）。從初始數(shù)據(jù)分布x0~q(x)出發(fā)，每步在數(shù)據(jù)分布中添加高斯噪音，持續(xù)T次。其中從第t-1步xt-1到第t步xt的過程可以用高斯分布表示為：

通過合適的設(shè)置，隨著t不斷增大，原始數(shù)據(jù)x0會逐漸失去他的特征。我們可以理解為，在進行了無限次的加噪步驟后，最終的數(shù)據(jù)xT會變成沒有任何特征，完全是隨機噪音的圖片，也就是我們最開始說的“雪花屏”。

在這個過程中，每一步的變化是可以通過設(shè)置超參βt來控制，在我們知曉最開始的圖片是什么的前提下，前向加噪的整個過程可以說是已知且可控的，我們完全能知道每一步的生成數(shù)據(jù)是什么樣子。

但問題在于，每次的計算都需要從起始點出發(fā)，結(jié)合每一步的過程，慢慢推導(dǎo)至你想要的某步數(shù)據(jù)xt，過于麻煩。好在因為高斯分布的一些特性，我們可以一步到位，直接從x0得到xt。

注意，這里的和為組合系數(shù)，本質(zhì)上是超參的βt表達式。

1.1.2 反向過程（reverse process）

和前向過程同理，反向過程也是一個馬爾可夫鏈（Markov chain），只不過這里用到的參數(shù)不同，至于具體參數(shù)是什么，這個就是我們需要機器來學(xué)習(xí)的部分啦。

在了解機器如何學(xué)習(xí)前，我們首先思考，基于某一個原始數(shù)據(jù)x0，從第t步xt，精準反推回第t-1步xt-1的過程應(yīng)該是怎樣的？

答案是，這個仍可以用高斯分布表示：

注意這里必須要考慮x0，意思是反向過程最后生成圖像還是要與原始數(shù)據(jù)有關(guān)。輸入貓的圖片，模型生成的圖像應(yīng)該是貓，輸入狗的圖片，生成的圖像也應(yīng)該和狗相關(guān)。若是去除掉x0，則會導(dǎo)致無論輸入哪種類型的圖片訓(xùn)練，最后diffusion生成的圖像都一樣，“貓狗不分”。

經(jīng)過一系列的推導(dǎo)，我們發(fā)現(xiàn)，反向過程中的參數(shù)和，竟然還是可以用x0，xt，以及參數(shù)βt，表示出來的，是不是很神奇~

當然，機器事先并不知道這個真實的反推過程，它能做到的，只是用一個大概近似的估計分布去模擬，表示為p0(xt-1|xt)。

1.1.3 優(yōu)化目標

在最開始我們提到，需要通過增大原始數(shù)據(jù)和反向過程最終生成數(shù)據(jù)的相似度來優(yōu)化模型。在機器學(xué)習(xí)中，我們計算該相似度參考的是交叉熵（cross entropy）。

關(guān)于交叉熵，學(xué)術(shù)上給出的定義是“用于度量兩個概率分布間的差異性信息”。換句話講，交叉熵越小，模型生成的圖片就越和原始圖片接近。但是，在大多數(shù)情況下，交叉熵是很難或者無法通過計算得出的，所以我們一般會通過優(yōu)化一個更簡單的表達式，達到同樣的效果。

Diffusion模型借鑒了VAE模型的優(yōu)化思路，將variational lower bound（VLB，又稱ELBO）替代cross entropy來作為最大優(yōu)化目標。通過無數(shù)步的分解，我們最終得到：

看到這么復(fù)雜的公式，好多小伙伴肯定頭都大了。但不慌，這里需要關(guān)注的，只是中間的Lt-1罷了，它表示的是xt和xt-1之間估計分布p0(xt-1|xt)和真實分布q(xt-1|xt,x0)的差距。差距越小，模型最后生成圖片的效果就越好。

1.1.4 上代碼

在了解完DDPM背后的原理，接下來就讓我們看看DDPM模型究竟是如何實現(xiàn)…

才怪啦。相信看到這里的你，肯定也不想遭受成百上千行代碼的洗禮。

好在MindSpore已經(jīng)為大家提供了開發(fā)完備的DDPM模型，訓(xùn)練推理兩手抓，操作簡單，單卡即可運行，想要體驗效果的小伙伴，只需要先

pip install denoising-diffusion-mindspore

然后，參考如下代碼配置參數(shù)：

對重要的參數(shù)進行一些解析：

• GaussianDiffusion

• image_size: 圖片大小
• timesteps: 加噪步數(shù)
• sampling_timesteps: 采樣步數(shù)，為提升推理性能，需小于加噪步數(shù)
• Trainer
• folder_or_dataset: 對應(yīng)圖片中的path, 可以是已下載數(shù)據(jù)集的路徑（str），也可以是已做好數(shù)據(jù)處理的VisionBaseDataset, GeneratorDataset 或 MindDataset
• train_batch_size：batch大小
• train_lr: 學(xué)習(xí)率
• train_num_steps: 訓(xùn)練步數(shù)
  

  如何借助啟智社區(qū)運算DDPM模型？

  DDPM模型運算可使用啟智社區(qū)的NPU算力。

  悄悄打一個廣告，啟智社區(qū)聯(lián)合MindSpore為大家發(fā)福利啦，一年份100萬卡時的免費算力，快去啟智社區(qū)（https://openi.pcl.ac.cn/）體驗吧~

“進階版”DDPM模型MindDiffusion

DDPM只是Diffusion這個故事的開篇。目前，已有無數(shù)的研究人員被其背后瑰麗的世界所吸引，紛紛投身其中。

在不斷優(yōu)化模型的同時，他們也逐漸開發(fā)了Diffusion在各個領(lǐng)域的應(yīng)用。

其中，包括了計算機視覺領(lǐng)域的圖像優(yōu)化、inpainting、3D視覺、自然語言處理中的text-to-speech、AI for Science領(lǐng)域的分子構(gòu)象生成、材料設(shè)計等。

更有來自斯坦福大學(xué)計算機科學(xué)系的博士生Eric Zelikman大開腦洞，嘗試將DALLE-2與最近另一個大火的對話模型ChatGPT相結(jié)合，制作出了溫馨的繪本故事。

不過最廣為大眾所知的，應(yīng)該還是它在文生圖（text-to-image）方面的應(yīng)用。輸入幾個關(guān)鍵詞或者一段簡短的描述，模型便可以為你生成相對應(yīng)的圖畫。

比如，輸入“城市夜景 賽博朋克 格雷格·路特科夫斯基”，最后生成的便是一張色彩鮮明，頗具未來科幻風(fēng)格的作品。

再比如，輸入“莫奈 撐陽傘的女人 月亮 夢幻”，生成的便是一張極具有朦朧感的女人畫像，色彩搭配的風(fēng)格有木有讓你想起莫奈的《睡蓮》？

想要寫實風(fēng)格的風(fēng)景照作為屏保？沒問題！

想要二次元濃度多一點的？也可以！

以上這些圖片，均是由MindDiffusion平臺的下的悟空畫畫制作而成的哦，悟空畫畫是基于擴散模型的中文文生圖大模型，由華為諾亞團隊攜手中軟分布式并行實驗室，昇騰計算產(chǎn)品部聯(lián)合開發(fā)。

模型基于Wukong dataset訓(xùn)練，并使用昇思框架（MindSpore）+昇騰（Ascend）軟硬件解決方案實現(xiàn)。

此外，MindDiffusion中的模型也會同樣具備可訓(xùn)練、可推理的特性，預(yù)計明年就能出現(xiàn)。

歡迎大家頭腦風(fēng)暴，生成各種別具風(fēng)格的作品哦~

（據(jù)說有人已經(jīng)開始嘗試“張飛繡花”、“劉華強砍瓜”、“古希臘神大戰(zhàn)哥斯拉”了。ummmm，怎么辦，突然就很期待成品了呢(?ω?)）

One More Thing

最后的最后，在Diffusion爆火的如今，有人也曾發(fā)出過疑問，它為什么可以做到如此的大紅大紫，甚至風(fēng)頭開始超過GAN網(wǎng)絡(luò)？

Diffusion的優(yōu)勢突出，劣勢也很明顯；它的諸多領(lǐng)域仍是空白，它的前方還是一片未知。

為什么卻有那么多的人在孜孜不倦地對它進行研究呢？

興許，馬毅教授的一番話，可以給我們提供一種解答。

但diffusion process的有效性、以及很快取代GAN也充分說明了一個簡單道理：

幾行簡單正確的數(shù)學(xué)推導(dǎo)，可以比近十年的大規(guī)模調(diào)試超參調(diào)試網(wǎng)絡(luò)結(jié)構(gòu)有效得多。

或許，這就是Diffusion模型的魅力吧。