Openai神作Dalle2理论和代码复现

Openai神作Dalle2

注：大家觉得博客好的话，别忘了点赞收藏呀，本人每周都会更新关于人工智能和大数据相关的内容，内容多为原创，Python Java Scala SQL 代码，CV NLP 推荐系统等，Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货，各种顶会的论文解读，一起进步。
今天和大家分享一下Openai神作Dalle2理论和代码复现
论文：https://cdn.openai.com/papers/dall-e-2.pdf
代码：https://github.com/lucidrains/DALLE2-pytorch
#博学谷IT学习技术支持#

文章目录

前言

今天和大家分享的是一篇2022Openai神作Dalle2，如何输入一句话，生成非常有趣的图片过程。
先来看看论文的最终效果图。

是不是非常有趣？让我们看看Openai团队是如何做到的。

一、Dalle2模型整体框架

其实论文整体架构并不是很复杂，主要是运用
1.对比学习为主的CLIP
2.生成模型Diffusion Model
把这两个技术栈结合起来，这两个技术栈在我之前的博客中都已经有说明。大家可以先看一下。否则可能有一点抽象。
https://blog.csdn.net/weixin_53280379/article/details/125585445?spm=1001.2014.3001.5502
https://blog.csdn.net/weixin_53280379/article/details/126250598?spm=1001.2014.3001.5502

二、预训练模型CLIP

这里模型的上半部分，就是用预训练模型CLIP的结果，得到2个向量

1. 第一个是text_embed，他是一个（2乘512）的tensor，2表示batch_size，512表示特征向量的维度，text_embed可以看作是对输入这句话的总结。
2. 第二个是text_encodings，他是一个（2乘256乘512）的tensor，他是输入这句话每个词的特征。2表示batch_size，256表示这句话的长度不够用0代替，512表示特征向量的维度。

对应原文中的：

所以这里预训练模型CLIP的作用就是：输入一句话，通过CLIP，得到2个更接近图片的向量。把这两个向量运用到实际的下游任务中。

1.主要代码

text_embed, text_encodings = self.clip.embed_text(text)

三、先验模型

有了上面通过CLIP得到的2个文本特征向量以后，通过生成模型Diffusion Model，进一步对特征进行处理。

这一步主要就是运用Diffusion Model，但是和传统的Diffusion Model又有一点不一样，原文当中有说，传统的Diffusion Model是通过unet等网络，学到一个噪音，通过噪音一步步进行迭代，而Dalle2没有学噪音，而是直接学习得到x0，省去了中间的计算过程。

通过CLIP得到的2个文本特征向量，1个随机初始的噪音和一个时间步特征学习这个x0，有了这个x0，就和Diffusion Model模型一样，通过xt可以推出xt-1的分布了，在对xt-1的分布经过正太分布重采样技巧，就可以一步步迭代往前推，得到最终的特征向量了。
如何训练得到x0，主要就是通过一个transformer网络：

1.主要代码

这里x是随机初始的噪音，t是时间步特征，text_cond是CLIP文本特征。得到pred就是预测上一步所需要的x0特征。

pred = self.net.forward_with_cond_scale(x, t, cond_scale = cond_scale,**text_cond)

有了x0特征以后，根据Diffusion Model公式推出xt-1的分布，正太分布主要是一个期望和方差。和Diffusion Model公式完全一样。

def q_posterior(self, x_start,x_t, t):
    posterior_mean =(extract(self.posterior_mean_coef1, t,x_t.shape)* x_start +extract(self.posterior_mean_coef2, t,x_t.shape)*x_t)
    posterior_variance =extract(self.posterior_variance, t,x_t.shape)
    posterior_log_variance_clipped =extract(self.posterior_log_variance_clipped

model_mean, posterior_variance, posterior_log_variance = self.noise_scheduler.q_posterior(x_start=x_recon,x_t=x, t=t)

这里就是重采样操作，得到xt-1特征图的image_embed

def p_sample(self, x, t, text_cond = None, clip_denoised = True, cond_scale =1.):
    b,*_, device =*x.shape, x.device
    model_mean, _, model_log_variance = self.p_mean_variance(x = x, t = t, text_cond = text_cond, clip_denoised = clip_denoised, cond_scale = cond_scale)
    noise = torch.randn_like(x)#nonoise when t ==0
    nonzero_mask =(1-(t ==0).float()).reshape(b,*((1,)*(len(x.shape)-1)))return model_mean + nonzero_mask *(0.5* model_log_variance).exp()* noise#采样 (0.5* model_log_variance).exp()计算得到标准差
image_embed = self.p_sample(image_embed, times, text_cond = text_cond, cond_scale = cond_scale)

最终不停迭代n次得到先验模型最终的特征图输出

for i in tqdm(reversed(range(0, self.noise_scheduler.num_timesteps)), desc='sampling loop time step', total=self.noise_scheduler.num_timesteps):
    times = torch.full((batch,), i, device = device, dtype = torch.long)
    image_embed = self.p_sample(image_embed, times, text_cond = text_cond, cond_scale = cond_scale)

四、Decoder解码模型

Decoder解码模型和先验模型类似也是运用Diffusion Model，但是运用了2个Diffusion Model，可能一个效果一般，但是这样速度就变慢了。

模型最后做了各种对比实验发现，Diffusion Model会比自回归的方法效果更好。

总结

今天和大家分享一下Openai神作Dalle2理论和代码复现，有点难度，有点抽象，主要是需要有对比学习为主的CLIP和生成模型Diffusion Model的基础，然后把两者所结合起来。文章主要是给大家分享了一下主要思想，还有细节没写。有时间可以读一下，有疑问可以留言进行讨论。