全网最全Stable Diffusion原理快速上手，模型结构、关键组件、训练预测方式！！！！

手把手教你入门绘图超强的AI绘画程序，用户只需要输入一段图片的文字描述，即可生成精美的绘画。给大家带来了全新保姆级教程资料包（文末可获取）

【AIGC】Stable Diffusion的建模思想、训练预测方式快速

在这篇博客中，将会用机器学习入门级描述，来介绍Stable Diffusion的关键原理。目前，网络上的使用教程非常多，本篇中不会介绍如何部署、使用或者微调SD模型。也会尽量精简语言，无公式推导，旨在理解思想。让有机器学习基础的朋友，可以快速了解SD模型的重要部分。如有理解错误，请不吝指正。

大纲

关键概念
模型结构及关键组件
训练和预测方式

关键概念

名词解释

Stable Diffusion
之所以叫Stable，是因为金主公司叫StabilityAI。

其基础模型是Latent Diffusion Model（LDM），也是本文主要介绍的部分。

模型任务

text-2-img：输入文本描述、输出图像
img-2-img：输入图片及其他文本描述，输出图像

总的来说，不论是输入是文字还是图片，都可以称为是“condition”，用于指引图像生成的“方向”。因此，SD模型的任务，可以统称为是cond-2-img任务。
在这里插入图片描述

模型结构与关键组件

模型结构
LDM论文结构图，初看时会有点懵，但稍微理解后还是非常清晰准确的。先初步介绍几个大的模块。建议把这张图截图固定在屏幕上，再继续浏览下面的内容。
在这里插入图片描述

整体输入输出
上图中最左侧的x xx和x ~ \widetilde{x}

是模型的输入与输出，形如[ W , H , C ] [W, H, C][W,H,C]的三维张量，代表一张图像的宽、高和通道数。

需要注意，这里的输入x xx，并不是模型img-2-img中的输入图像，而是模型训练时的原始图像输入。img-2-img的输入图像，是上图中最右侧的Conditioning模块中的images。

像素空间与隐空间
所谓空间，可以理解为数据的表示形式，通常有着不同的坐标轴。

像素空间（Pixel Space），上图左侧，红框部分。通常是人眼可以识别的图像内容。
隐空间（Latent Space），上图中央，绿框部分。通常是人眼无法识别的内容，但包含的信息量与像素空间相近。

像素空间到隐空间

输入的图像x xx，经过Encoder（图中蓝色的E \mathcal{E}E），转换为另一种shape的张量z zz，即称为隐空间。

从压缩角度理解：图像经过转换后，产生的新张量是人眼无法识别的。但其包含的信息量相差不大，数据尺寸却大幅缩小，因此可以看做是一种图像数据压缩方式。

隐空间到像素空间

经过模型处理后的隐向量输出z zz（特指绿框左下角的z zz），经过Decoder（图中蓝色的D \mathcal{D}D），转换回像素空间。

隐空间Diffusion操作
对应图中绿色Latent Space框的上半部分，包括以下三步：

图像经过Encoder压缩后，得到隐向量表示z = E ( x ) z=\mathcal{E}(x)z=E(x)隐向量
从1~1000的均匀分布中，随机采样一个整数T TT，称为扩散步数
对向量z zz加T TT次高斯噪声，满足分布N ( 0 , β t ) N(0, \beta_t)N(0,β t )，得到z T
z_Tz T 向量
在这个操作中，有一些有趣的特性：

噪声收敛

加噪声次数足够多时，理论上会得到一组符合高斯分布的噪声。利用这个特性，在预测阶段我们就不需要执行Diffusion操作，只需要采样一组高斯分布的噪声，即代表了z T z_Tz T 。

高斯噪声可加性

当我们需要得到任意时刻的z T· 时，可以直接从z 0 以及一系列β t \beta_tβ

计算得到，只需要采样一次噪声。这部分的具体公式推导，可以参考由浅入深了解Diffusion Model - 知乎 (zhihu.com)。

条件Conditioning

对应图中最右边灰白色框，输入类型包括text、images等。在Conditioning模块中，会执行以下步骤：

这些“附加信息”会通过对应的编码器τ θ \tau_\thetaτ θ ，转换成向量表示
转换后的向量，会输入给U-Net，作为其中Attention模块的K、V输入，辅助噪声的预测

在这个模块中，有几个有趣的问题：

为什么需要Conditioning

由于“噪声收敛”特性，当噪声加得比较多时，z T z_Tz
T 已经趋近于一个“纯噪声”了，但训练过程需要比对输入图像x xx和输出图像x ~ \widetilde{x}
的相似度。如何从一个“纯噪声”，还原回与输入图像相似的图像，就必须要给模型提供额外的信息指引，这就是Conditioning的作用。

关键组件

VAE（Variational Auto Encoders）
在LDM中，如何将原始图片“压缩”转换至隐空间，经过处理再转换回来，即使用VAE的Encoder和Decoder。这个模块是预训练好的，在LDM训练时固定住参数。

原理

原始张量输入，经过非常简单的网络结构，转换成较小的张量
在Latent张量上，加一点点噪声扰动
用对称的简单网络结构，还原回原始大小
对比输入前后的张量是否相似

特点

网络计算复杂度比较低
Encoder和Decoder可以分开使用
无监督训练，不需要标注输入的label
有了噪声扰动之后，Latent Space的距离具有实际物理含义，可以实现例如“（满杯水+空杯子）/ 2 = 半杯水”的操作

CLIP
文本信息如何转换成张量，靠的是CLIP模块。这个模块是预训练好的，在LDM训练时固定住参数。

训练方式

图像以及它的描述文本，经过各自的Encoder转换为向量表示，希望转换后的向量距离相近。经过训练后，文本描述可以映射到向量空间的一个点，其代表的物理含义与原始图像相近。
在这里插入图片描述

假设无预训练

开个脑洞，假如没有这个模块，直接将文本token化后，去Embedding Table中查表作为文本张量，理论上也是可以训练的，只不过收敛速度会慢很多。

因此，这里使用一个预训练text-2-embedding模块，主要目的是加速训练。CLIP的训练数据集，也选择了和LDM的数据集的同一个（LAION-5B的子集），语义更一致。

模型标识解释

我们经常会看到类似“ViT-L/14”的模型名，表示一种CLIP的结构。具体的，ViT表示Vision Transformer，L表示Large（此外还有Base、Huge），14表示训练时把图像划分成14*14个子图序列输入给Transformer。
在这里插入图片描述

U-Net
作为LDM的核心组件，U-Net是模型训练过程中，唯一需要参数更新的部分。在这个结构中，输入是带有噪声的隐向量z t 、当前的时间戳t tt，文本等Conditioning的张量表示E EE，输出是z t中的噪声预测。

模型结构

U-Net大致上可以分为三块：降采样层、中间层、上采样层。之所以叫U-Net，是因为它的模型结构类似字母U。
在这里插入图片描述

降采样层

时间戳t tt转换为向量形式。用的是“Attention is All you
Need”论文的Transformer方法，通过sin和cos函数再经过两个Linear进行变换
初始化输入X = c o n v ( c o n c a t ( z t , E ) ) X = conv(concat(z_t,
E))X=conv(concat(z t ,E))，其中c o n v convconv是卷积，E EE是Conditioning
重复以下步骤（a~c）多次，将输入尺寸降至目标尺寸（如上图的4 × 4 4\times44×4）
重复以下两步多次，训练多个ResBlock和SpatialTransformer层，输入值X XX的尺寸不变
输入上一层的输出X XX和时间戳向量，给ResBlock
ResBlock的输出，与E EE一起输入给SpatialTransformer，在这里考虑到text等信息重复多次3~4步，
通过卷积或Avg-Pooling进行降采样，缩小X XX的尺寸

中间层

很简单，ResBlock + SpatialTransformer + ResBlock，输入X XX尺寸不变。

上采样层

大部分步骤与降采样层一致，只有以下两点不同

输入X XX需要拼上对应降采样层的输出，称为skip connection，对应U-Net结构图中横向的箭头
把降采样步骤，换成使用卷积或插值（interpolate）方式来上采样，使得X XX的尺寸增大输出
上采样层的输出，会经过normalization + SiLU + conv，得到U-Net的最终

输出

即噪声的预测值，尺寸保持与输入zt 一致。