gcem156

生えてる子が好きです。

gcem156

生えてる子が好きです。
  • 固定された記事

Stable-Diffusionの学習設定まとめ

　なんか学習設定について、よく分からんけどデフォルト！とかよく分からんけどこうしてみたらうまくいった！みたいな感覚で議論されていることが多い気がするので、学習設定についてまとめてみようと思います。機械学習のこと知らん人にも分かるようにするはずの記事でしたが多分そうなってないです。間違いもあると思いますが、私の記事が間違っていたとしても、悪いのは私よりも頭がいい人が分かりやすい説明をしないせいであって私のせいではありません。 機械学習の簡単な説明　機械学習はモデルの数値を学習

gcem156

    • Latentの量子化

      　りょーしか？っていうのを理解したかったのと、学習時に保存するlatentの容量を減らせたらいーなーて思ったのでやってみます。 latent　VAEで画像をエンコードして、ちっちゃくしたやつです。今回はSD3.5のVAEでやってみよーと思います。特にSD3はチャンネルが16もあるのでサイズがおっきいです。 vae = AutoencoderKL.from_pretrained("stabilityai/stable-diffusion-3.5-large", subfol

      gcem156

      • Latent2RGB

        　ComfyUIでは謎の行列によって生成中のプレビューを表示する機能がありますが、これと似たようなものを自分で作ってみます。 latentについて　latentはだいたい8分の1スケールされた4または16チャンネルの画像です。今回はSDXLでやるので4チャンネルです。プレビューでサイズは戻さずRGBに戻すことを考えます。一番シンプルな方法として、latentのチャンネルをRGBチャンネルに変換する行列を作れば、それなりのプレビューができます。 　今回使うらいぶらりー f

        gcem156

        • Flux.1の位置エンコーディング

          　Flux.1はいろんな解像度に対応していたので、調べてみました。 Rotary Positional Embeddings (RoPE)　Flux.1ではRoPEという最近のLLMでもよく使われている手法を使っています。RoPEでは、attention中にquery, keyを位置に応じて回転します。位置が近いと同じように回転するので内積は変わりませんが、位置が遠いと回転方向がばらばらになって、内積が小さくなります。そのため近い位置のトークンにより注意を引くようになります

          gcem156
        • 固定された記事

        Stable-Diffusionの学習設定まとめ

        gcem156

        マガジン

        • ComfyUIまとめ
          3本

        記事

          llama-cpp-pythonで投機的デコーディングする

          　アメリカ語ではspeculative decodingというらしい。 投機的デコーディング長文によるよく分からない説明 　LLMは次の単語を予測するモデルなので、次の単語を予測してそれを加えてさらに次の単語を予測してそれを加えｔ・・という風に生成する単語数分計算する必要があります。しかしLLMは単語一個一個ではなく文章全体を同時に計算することができるようになっています。たとえば続きの文章が分かっている学習時や、入力部分は一回の計算で全文を処理します。並列に計算するか直列

          gcem156

          llama-cpp-pythonで投機的デコーディングする

          gcem156

          Pytorchの最新機能を使ってFLUX.1でRegional Promptをする

          　PytorchのないとりぃではFlex Attentionとかいうのが導入されています。今回はそれを使ってFLUX.1のRegional Promptをします。といっても前回同様マスクを使うだけなので、別にいままでのバージョンでもできることなんですが。 SD3との違い　attention_processor 　SD3と似たような実装ですが、FLUX.1ではDouble TransformerとSingle Transformerの二種類があります。to_q等を画像、テキ

          gcem156

          Pytorchの最新機能を使ってFLUX.1でRegional Promptをする

          gcem156

          SD3でRegional Prompt

          　SD3はSDXL以前と異なりMMDiTというモデルが使われています。そこでSD3でも前にやったやつと同じことをできるか試してみました。 　SD3の設計については以下の記事がくわしーので省略します。 SDXLまでとの違い　SDXLはSelf AttentionとCross Attentionに分かれていましたが、SD3ではその二つが合体しているようなイメージです。そのためSDXLまででやっていたCross Attentionをプロンプトごとに計算する方法は使えません。合体し

          gcem156

          SD3でRegional Prompt

          gcem156

          自作の5択問題をLLMに解かせる

          　個人的趣味に基づいて100題の5択問題を作ってLLMに解かせてみました。 一応結果 ルール　システムプロンプトはなしで、以下のような文章を入力、予測確率が一番高いトークンを答えとします。APIの場合は確率が取り出せないので、出力の一文字目を取り出し、記号が一文字目に来なかった場合は手動で答えを入力してあげました（たいてい1文字目で記号を出力してくれました）。 　以下はcommand-rの場合 <|START_OF_TURN_TOKEN|><|USER_TOKEN|>以

          gcem156

          自作の5択問題をLLMに解かせる

          gcem156

          llama-cpp-pythonで変なことする

          　今回はllama-cpp-pythonを利用して、変なことしようと思います。使い方よくわからずやっているので、もっといい方法あったら教えて。 モデルのロード　モデルのロードについては、なんでもいいのですが、logits_allをTrueにしておきます。これは全トークンの出力を保存しておく設定って感じで、変なことするのに必要になります。ただしこれをTrueにすると、プロンプト評価時にVRAMを多く消費するらしく、自分の環境ではn_batchを下げないとOOMエラーになります

          gcem156

          llama-cpp-pythonで変なことする

          gcem156

          LLMで同じレイヤーを繰り返したりする

          　5月中に記事を書けとNote様に脅されたので、最近やったことを書く。 　LLM界隈では様々なモデルのレイヤーを重ね合わせることで性能を上げる試みをしているようです。なんと自分自身のレイヤーを重ねることで性能を上げる例もあるようです。よくわかっていませんが、ようするに同じレイヤーを何度も計算するだけだと思うので、forwardの内容を変えればVRAM使用量を変えずに同じことできんじゃねと思ったのが今回の発想です。 　たとえばLlama-70Bを120Bまで拡張したというモ

          gcem156

          LLMで同じレイヤーを繰り返したりする

          gcem156

          8x7B=47B？

          Mixtral「7×8は56じゃないぞ！オレたちは7×8で47だ！6.7倍だぞ6.7倍！」 　MoEモデルのパラメータ数について気になったので調べてみました。 Mistral-7Bのパラメータ数　まずはただの7Bモデルについてみていきます。何番煎じだ？ 実装はここみたい https://github.com/huggingface/transformers/blob/main/src/transformers/models/mistral/modeling_mistral

          gcem156

          8x7B=47B？

          gcem156

          Dart+WD-Taggerでプロンプトの忠実度を計測してみる

          　最近出てきたプロンプト生成器 とWD-Taggerのv3 を組み合わせて、 Dartでプロンプト生成 生成したプロンプトで画像を生成 WD-Taggerでプロンプトを予測 1と3のプロンプトを比較 すればモデルのプロンプトへの忠実度測れるんじゃねということを思いついたのでやってみます。 　前置きが長すぎる気がするので、とばしましょう。少なくとも俺だったら読まない。 設定　Dart側は全モデル固定で同じプロンプトにします。 top_k=100, temper

          gcem156

          Dart+WD-Taggerでプロンプトの忠実度を計測してみる

          gcem156

          ControlNetの軽量版？つくった

          　ControlNetはすごいですが、UNetの3分の1～2分の1くらいの大きさのモデルが余計に必要です。今回は軽量なモデル＋LoRAだけでControlNetみたいなことをやってみます。 ComfyUI用実装 https://github.com/laksjdjf/LoRTnoC-ComfyUI あーきてくちゃあ　ControlNetは基本的にUNetのIN+MIDブロックのコピーですが、cannyなどの参照画像を潜在変数と同じ形状（4チャンネルでサイズが8分の1）に

          gcem156

          ControlNetの軽量版？つくった

          gcem156

          Stable Diffusionの学習コードを作る：5.ControlNet編

          　今回はControlNetの学習についてやっていきます。以下のような設定を増やすことで学習できるようにします。 controlnet: train: true resume: null # model file path transformer_layers_per_block: false # default = false global_average_pooling: false # default = false DiffusionModelcreate

          gcem156

          Stable Diffusionの学習コードを作る：5.ControlNet編

          gcem156

          [ComfyUI]SamplerCustom宣伝記事

          　今回は、ComfyUIにおける最強ノードである、SamplerCustomの宣伝をする記事です。 　この記事の画像は全てanimagineXL-3.0及びDartが作ってくれたプロンプトを使っております。プロンプト考えなくていいの最高や～～。 画像生成ノード　ComfyUIの画像生成ノードにはKSampler（雑魚）やKSampler(Advanced)（ゴミ）があります。この二つに比べてSamplerCustomは完全上位互換であるにも関わらず、全然使われていないよう

          gcem156

          [ComfyUI]SamplerCustom宣伝記事

          gcem156

          Stable Diffusionの学習コードを作る：4.LCM-LoRA編

          　今回は、LCM-LoRAの学習についてやっていくよ。じつはコードの作り直しをした最大の理由はこのLCM-LoRAを簡潔に実装するためだったんだよ。 https://github.com/laksjdjf/sd-trainer/blob/main/modules/lcm/lcm_trainer.py スケジューラー　実装はめっちゃ簡単です。学習時にddimを使うので、分岐しています。こうしてみるとddimとの違いが分かりやすいですね。 class LCMSchedule

          gcem156

          Stable Diffusionの学習コードを作る：4.LCM-LoRA編

          gcem156