基于Anydoor的超参数学习、基本配置参数学习记录

目录

run_train_anydoor.py

anydoor.yaml

---

run_train_anydoor.py

• batch_size = 2
  • 每次训练迭代（一个 forward 和 backward 过程）中处理的样本数量。
  • 小批量（batch_size=2）适合显存有限的 GPU，但可能导致训练不稳定。
  • 建议根据显存大小和模型复杂度调整此参数。
• logger_freq = 1000
  • 控制日志记录的频率。
  • 每 1000 次训练步记录一次日志信息（例如损失值、性能指标等）。
  • 作用：便于监控模型训练进度。
• learning_rate = 1e-6
  • 学习率，控制每次梯度更新时模型参数的步长。
  • 1e-6 是较低的学习率，适合微调模型或训练复杂网络。
  • 如果训练过程收敛慢，可以尝试稍微调高此值（如 1e-5），或者使用动态学习率调整策略。
• sd_locked = False
  • 表示是否锁定（冻结）扩散模型的权重。
  • False 表示允许更新扩散模型的权重。
  • 如果预训练模型权重较好且不需要大幅度调整，可设置为 True，以减少训练时间和显存需求。
• only_mid_control = False
  • 是否只对中间层使用控制信号。
  • False 表示在网络的所有阶段（不仅仅是中间层）都应用 ControlNet 的控制信号。
  • 适用于需要较精细控制的任务。
• n_gpus = 1
  • 使用的 GPU 数量。
  • 1 表示单卡训练。
  • 如果有多张 GPU，可以设置为相应的数量，并确保分布式训练（如 DDP）配置正确。
• accumulate_grad_batches = 1
  • 梯度累积的批次数量。
  • 1 表示不累积梯度，每次计算后立即进行参数更新。
  • 如果显存不足，可以通过设置 accumulate_grad_batches > 1 累积多次梯度计算，模拟更大的 batch_size，例如：
    • 例子: 如果显存不足以支持 batch_size=8，可以设置 batch_size=2 和 accumulate_grad_batches=4，相当于每 4 次迭代后进行一次参数更新。

anydoor.yaml

• model 顶层配置，用于定义模型结构和训练方式
  • target: 指向实际使用的模型类（cldm.cldm.ControlLDM）。该类可能是对扩散模型的控制（Control）实现，通常用于条件生成任务
  • params: 包含模型的所有超参数配置：
    • linear_start 和 **linear_end：**定义扩散过程中的噪声线性调度范围，调整扩散过程中的噪声注入强度范围，影响生成图像的质量和稳定性
    • **num_timesteps_cond：**条件生成扩散过程中的时间步数，默认值 1: 表示只在一个时间步中添加条件
    • **log_every_t：**控制日志打印频率（每隔多少个时间步打印一次），用于监控训练过程中的状态。
    • **timesteps：**扩散过程的总时间步数，通常扩散模型在训练时采用较大的时间步数（如 1000），用于逐步去噪。
    • **first_stage_key, cond_stage_key, control_key**定义模型的不同数据输入键名：
      • first_stage_key: 输入的主要图像数据（jpg）。
      • cond_stage_key: 条件数据（ref，如参考图像）。
      • control_key: 控制信号（hint，如边缘检测图像或引导特征）。
    • **image_size：**指定模型生成图像的分辨率（64x64 像素）。
    • **channels：**输入图像的通道数（4），例如 RGBA。
    • **cond_stage_trainable：**是否训练条件网络（False 表示冻结条件网络，通常预训练过的网络不需要更新）。
    • **conditioning_key：**指定条件生成的方式，crossattn 表示使用交叉注意力机制来处理条件。
    • **scale_factor：**图像缩放因子，用于特定模型的特征对齐或匹配。
    • **use_ema：**是否使用指数移动平均（EMA）方法，EMA 通常用于提高模型生成的稳定性（此处为 False，未启用）。
    • **only_mid_control：**是否只对中间层使用控制网络（False 表示全层控制）
  • control_stage_config ：这些参数用于控制模型的 ControlNet 部分。ControlNet 是扩散模型的一个附加模块，用于增加生成控制能力
    • use_checkpoint: 是否使用检查点（分段反向传播以节省显存，True 表示启用）。
    • image_size: 控制网络输入图像尺寸（标注为 32，但可能未实际使用）。
    • in_channels: 输入通道数（4），对应主图像。
    • hint_channels: 条件提示图的通道数（4，如 RGBA 或其他）。
    • model_channels: 模型的特征通道数（320）。
    • attention_resolutions: 使用注意力机制的分辨率尺度列表：
      • [4, 2, 1] 表示分辨率从高到低逐步缩小，用于多尺度特征提取。
    • num_res_blocks: 每个分辨率的残差块数量（2）。
    • channel_mult: 通道倍率，定义不同尺度下的通道数：
      • [1, 2, 4, 4]：表示通道数分别为 320, 640, 1280, 1280。
    • num_head_channels: 注意力头的通道数（64）。
    • use_spatial_transformer: 是否使用空间变换器模块（True，启用）。
    • use_linear_in_transformer: 是否在变换器中使用线性层（True）。
    • transformer_depth: 变换器的深度（1 层）。
    • context_dim: 条件输入的上下文维度（1024）。
    • legacy: 是否启用旧版功能（False，使用新实现）。
  • unet_config 定义了 UNet 模块，这是扩散模型的核心结构，基本参数与 control_stage_config 类似，主要用于控制生成过程：
    • in_channels 和 out_channels: 输入/输出通道数（4）。
    • model_channels: 核心特征通道数（320）。
    • attention_resolutions, num_res_blocks, channel_mult: 同 ControlNet，定义多尺度特征提取和残差结构。
    • use_spatial_transformer, use_linear_in_transformer: 同上，启用空间变换器。
    • transformer_depth: 变换器的深度（1 层）。
    • context_dim: 条件上下文维度（1024）。
  • first_stage_config：该部分定义了第一个阶段的自动编码器（Autoencoder）
    • target: 模型指向 ldm.models.autoencoder.AutoencoderKL，这是一个带 KL 散度的自动编码器，用于图像的潜空间编码和解码。
    • embed_dim: 潜空间嵌入维度（4）。
    • monitor: 用于监控的指标（如重构损失 val/rec_loss）。
    • ddconfig: 自动编码器的核心配置：
      • double_z: 使用双潜空间分布（True）。
      • z_channels: 潜空间的通道数（4）。
      • resolution: 输入图像的分辨率（256x256）。
      • in_channels 和 out_ch: 输入/输出通道数（3）。
      • ch: 起始特征通道数（128）。
      • ch_mult: 通道倍率（[1, 2, 4, 4]）。
      • num_res_blocks: 每层的残差块数量（2）。
      • attn_resolutions: 使用注意力机制的分辨率（空列表表示未使用）。
      • dropout: Dropout 比例（0.0）。
    • lossconfig: 损失函数配置，使用 torch.nn.Identity（直接传递，未额外定义损失）
  • cond_stage_config 定义了条件编码器（Encoder）的结构
    • target: 指向条件网络类 ldm.modules.encoders.modules.FrozenDinoV2Encoder。
    • weight: 使用预训练的 DINO 模型权重 pretrain_model/dinov2_vitg14_pretrain.pth。