UNet2DConditionModel总体结构
图片来自于 https://zhuanlan.zhihu.com/p/635204519
stable diffusion 运行unet部分的代码。
noise_pred = self.unet(
sample=latent_model_input, #(2,4,64,64) 生成的latent
timestep=t, #时刻t
encoder_hidden_states=prompt_embeds, #(2,77,768) #输入的prompt和negative prompt 生成的embedding
timestep_cond=timestep_cond,#默认空
cross_attention_kwargs=self.cross_attention_kwargs, #默认空
added_cond_kwargs=added_cond_kwargs, #默认空
return_dict=False,
)[0]
1.time
get_time_embed使用了sinusoidal timestep embeddings,
time_embedding 使用了两个线性层和激活层进行映射,将320转换到1280。
如果还有class_labels,added_cond_kwargs等参数,也转换为embedding,并且相加。
t_emb = self.get_time_embed(sample=sample, timestep=timestep) #(2,320)
emb = self.time_embedding(t_emb, timestep_cond) #(2,1280)
2.pre-process
卷积转换,输入latent从(2,4,64,64) 到(2,320,64,64)
sample = self.conv_in(sample) #(2,320,64,64)
self.conv_in = nn.Conv2d(
in_channels, block_out_channels[0], kernel_size=conv_in_kernel, padding=conv_in_padding
)
3.down
down_block 由三个CrossAttnDownBlock2D和一个DownBlock2D组成。输入包括:
hidden_states:latent
temb:时刻t的embdedding
encoder_hidden_states:prompt和negative prompt的embedding
网络结构
CrossAttnDownBlock2D(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
Downsample2D() #(2,320,32,32)
)
CrossAttnDownBlock2D(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
Downsample2D() #(2,640,16,16)
)
CrossAttnDownBlock2D(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
Downsample2D() #(2,1280,8,8)
)
DownBlock2D(
ResnetBlock2D()
ResnetBlock2D() #(2,1280,8,8)
)
4.mid
UNetMidBlock2DCrossAttn 包含 resnet,attn,resnet三个模块,输入输出维度不变。输入包括:
hidden_states:latent
temb,时刻t的embdedding
encoder_hidden_states:prompt和negative prompt的embedding
UNetMidBlock2DCrossAttn(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
)
5.up
up由一个UpBlock2D和三个CrossAttnUpBlock2D组成,输入包括:
hidden_states:latent
temb: 时刻t的embdedding
encoder_hidden_states:prompt和negative prompt的embedding
res_hidden_states_tupleL:下采样时记录的残差结果。
UpBlock2D(
ResnetBlock2D()
ResnetBlock2D()
ResnetBlock2D()
Upsample2D() #(2,1280,16,16)
)
CrossAttnUpBlock2D(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
Downsample2D() #(2,1280,32,32)
)
CrossAttnUpBlock2D(
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
Downsample2D() #(2,640,64,64)
)
CrossAttnUpBlock2D(
ResnetBlock2D() #(2,320,64,64)
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
ResnetBlock2D()
Transformer2DModel()
)
6.post-process
卷积变换通道数,得到最终结果
if self.conv_norm_out:
sample = self.conv_norm_out(sample)
sample = self.conv_act(sample)
sample = self.conv_out(sample) #(2,4,64,64)
时刻t,类别class等参数作用在resnet部分,都是和输入直接相加。
由prompt,negative prompt 计算得到的encoder_hidden_states,作用在attention部分,作为key和value,参与计算。
ResnetBlock2D
x在标准化、激活、卷积之后,和temb相加,再次标准化、激活、卷积之后作为残差,与x相加。
hidden_states = input_tensor
hidden_states = self.norm1(hidden_states)
hidden_states = self.nonlinearity(hidden_states) #激活函数
hidden_states = self.conv1(hidden_states)
if self.time_emb_proj is not None:
if not self.skip_time_act:
temb = self.nonlinearity(temb)
temb = self.time_emb_proj(temb)[:, :, None, None] #(2,320,1,1)
if self.time_embedding_norm == "default":
if temb is not None:
hidden_states = hidden_states + temb #与temb相加
hidden_states = self.norm2(hidden_states)
hidden_states = self.nonlinearity(hidden_states)
hidden_states = self.dropout(hidden_states)
hidden_states = self.conv2(hidden_states)
output_tensor = (input_tensor + hidden_states) / self.output_scale_factor
return output_tensor
Transformer2DModel attentions部分
每个attention 包括 Self-Attention 和Cross-Attention两部分。
#Self-Attention ,encoder_hidden_states=None
attn_output = self.attn1(
norm_hidden_states,
encoder_hidden_states=encoder_hidden_states if self.only_cross_attention else None,
attention_mask=attention_mask,
**cross_attention_kwargs,
)
#Cross-Attention,encoder_hidden_states由prompt计算得来,在这里和latent交互。
attn_output = self.attn2(
norm_hidden_states,
encoder_hidden_states=encoder_hidden_states,
attention_mask=encoder_attention_mask,
**cross_attention_kwargs,
)
#query由norm_hidden_states计算而来,
#key、value由encoder_hidden_states计算而来。
query = query.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) #(2,8,4096,40)
key = key.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) #(2,8,77,40)
value = value.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) #(2,8,77,40)
hidden_states = F.scaled_dot_product_attention(
query, key, value, attn_mask=attention_mask, dropout_p=0.0, is_causal=False #(2,8,4096,40)
)
参考:stable diffusion 中使用的 UNet 2D Condition Model 结构解析(diffusers库)
总结
### UNet2DConditionModel 总体结构概述UNet2DConditionModel 是在 Stable Diffusion 框架中用于处理和生成图像的关键组件之一。该模型通过结合卷积神经网络(CNN)和transformer注意力机制,实现了对图像潜在表示的精准操控和生成。下面是对其总体结构的详细总结:
#### 输入与初始化
- **输入**: 模型接收多个输入,包括 `latent_model_input`(图像的潜在表示)、`timestep`(时间步长,用于控制生成过程中的演进)、`prompt_embeds`(输入提示生成的embedding)、以及可选的几个条件参数(如`timestep_cond`等)。
- **初始化**: 使用 sinusoidal timestep embeddings(正弦时间步长嵌入)对时间步长进行处理,将其映射到更高维度的 `temb` 中,可能还会结合其他条件嵌入(如类别标签等)进行增强。
#### 数据预处理
- **初始卷积**: 通过一系列卷积操作将输入的latent从 `(2, 4, 64, 64)` 转换成 `(2, 320, 64, 64)`,以便后续处理。
#### 下降采样(Downsampling)
- 由三个 `CrossAttnDownBlock2D` 和一个 `DownBlock2D` 组成:
- 每个 `CrossAttnDownBlock2D` 包含两个ResnetBlock2D、两个Transformer2DModel,和一个Downsample2D。
- 逐步实现下采样,并将特征图的尺寸减小到 `(2, 1280, 8, 8)`。
#### 中间层(Mid)
- 使用 `UNetMidBlock2DCrossAttn`,通过Resnet和Attention组合维持特征图的尺寸 `(2, 1280, 8, 8)`,进一步加深和细化特征。
#### 上升采样(Upsampling)
- 由一个 `UpBlock2D` 和三个 `CrossAttnUpBlock2D` 组成:
- 逐步提升特征图的尺寸,并与下采样过程中的残差结果进行连接(skip connections),增强特征复用。
- 最终恢复到接近原始输入的尺寸 `(2, 320, 64, 64)`。
#### 数据后处理
- 经过最后的卷积层,将特征图通道的维度调整回 `(2, 4, 64, 64)`,这一步骤包括卷积和可能的归一化及激活函数处理。
#### 核心组成
- **ResnetBlock2D**: 在Resnet块中,引入时间步长嵌入 (`temb`) 与输入特征相加,增强特征的时间依赖性。
- **Transformer2DModel**: 结合 Self-Attention 和 Cross-Attention,使模型具备对输入prompt的全面理解能力,进而指导图像的生成。Self-Attention 处理latent的内部交互,Cross-Attention 利用prompt信息对latent特征进行调制。
#### 总结
UNet2DConditionModel通过结合高效的卷积结构和强大的注意力机制,在Stable Diffusion中实现了高度的特征表示能力。这种方式不仅提升了图像的生成质量,还增强了对prompt等控制条件的响应灵敏度,进而为用户提供了更为灵活的图像创作体验。