mirror of
https://github.com/modelscope/DiffSynth-Studio.git
synced 2026-03-19 14:58:12 +00:00
67 lines
2.6 KiB
Markdown
67 lines
2.6 KiB
Markdown
# 模型训练
|
||
|
||
在[接入模型](./Integrating_Your_Model.md)并[实现 Pipeline](./Building_a_Pipeline.md)后，接下来接入模型训练功能。
|
||
|
||
## 训推一致的 Pipeline 改造
|
||
|
||
为了保证训练和推理过程严格的一致性，我们会在训练过程中沿用大部分推理代码，但仍需作出少量改造。
|
||
|
||
首先，在推理过程中添加额外的逻辑，让图生图/视频生视频逻辑根据 `scheduler` 状态进行切换。以 Qwen-Image 为例：
|
||
|
||
```python
|
||
class QwenImageUnit_InputImageEmbedder(PipelineUnit):
|
||
def __init__(self):
|
||
super().__init__(
|
||
input_params=("input_image", "noise", "tiled", "tile_size", "tile_stride"),
|
||
output_params=("latents", "input_latents"),
|
||
onload_model_names=("vae",)
|
||
)
|
||
|
||
def process(self, pipe: QwenImagePipeline, input_image, noise, tiled, tile_size, tile_stride):
|
||
if input_image is None:
|
||
return {"latents": noise, "input_latents": None}
|
||
pipe.load_models_to_device(['vae'])
|
||
image = pipe.preprocess_image(input_image).to(device=pipe.device, dtype=pipe.torch_dtype)
|
||
input_latents = pipe.vae.encode(image, tiled=tiled, tile_size=tile_size, tile_stride=tile_stride)
|
||
if pipe.scheduler.training:
|
||
return {"latents": noise, "input_latents": input_latents}
|
||
else:
|
||
latents = pipe.scheduler.add_noise(input_latents, noise, timestep=pipe.scheduler.timesteps[0])
|
||
return {"latents": latents, "input_latents": input_latents}
|
||
```
|
||
|
||
然后，在 `model_fn` 中启用 Gradient Checkpointing，这将以计算速度为代价，大幅度减少训练所需的显存。这并不是必需的，但我们强烈建议这么做。
|
||
|
||
以 Qwen-Image 为例，修改前：
|
||
|
||
```python
|
||
text, image = block(
|
||
image=image,
|
||
text=text,
|
||
temb=conditioning,
|
||
image_rotary_emb=image_rotary_emb,
|
||
attention_mask=attention_mask,
|
||
)
|
||
```
|
||
|
||
修改后：
|
||
|
||
```python
|
||
from ..core import gradient_checkpoint_forward
|
||
|
||
text, image = gradient_checkpoint_forward(
|
||
block,
|
||
use_gradient_checkpointing,
|
||
use_gradient_checkpointing_offload,
|
||
image=image,
|
||
text=text,
|
||
temb=conditioning,
|
||
image_rotary_emb=image_rotary_emb,
|
||
attention_mask=attention_mask,
|
||
)
|
||
```
|
||
|
||
## 编写训练脚本
|
||
|
||
`DiffSynth-Studio` 没有对训练框架做严格的封装，而是将脚本内容暴露给开发者，这种方式可以更方便地对训练脚本进行修改，实现额外的功能。开发者可参考现有的训练脚本，例如 `examples/qwen_image/model_training/train.py` 进行修改，从而适配新的模型训练。
|