sdxxxs

sdxxxs/config.json

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:e24077b8bda68b40af6c7f9b1dc6ba3b014304ae89d3b37edba979a215f075f0
-size 1968
+oid sha256:9a97b0612232047e9d605d3c99a50331a9f99d32692659e688ee7fd6193e3cec
+size 1953

sdxxxs/diffusion_pytorch_model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:78c7e27f075695a183dd1499b26ff1873e68272e6f0e94b432e69d52bb5bb031
-size 8273806320
+oid sha256:e867b3605ee4f67d844f948904175c4201be69d432f0f1be766a255d1c18abc5
+size 8273810624

src/sdxs_create.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:f618b69e4b5f1c912d01130da67d577f873928d160488531c0529eef17818c12
-size 9790
+oid sha256:dc6987bbccaaedf529bc2d6b55bae0f28e5161fe96dcd48970aa92fb92a55664
+size 9793

src/sdxs_sdxxs_transfer.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:f140659eb65f1541979432e5d977aeae6a9ade394985971e63b2337765895916
-size 235007
+oid sha256:a7c11b012028e6ed060f3068d08adeb229bdad4b6b8cd2b4e0d50346cafcf02f
+size 235161

train.py

@@ -23,13 +23,13 @@ import bitsandbytes as bnb
 
 # --------------------------- Параметры ---------------------------
 save_path = "datasets/768" # "datasets/576" #"datasets/576p2" #"datasets/1152p2" #"datasets/576p2" #"datasets/dataset384_temp" #"datasets/dataset384" #"datasets/imagenet-1kk" #"datasets/siski576" #"datasets/siski384" #"datasets/siski64" #"datasets/mnist"
-batch_size = 30 #26 #45 #11 #45 #555 #35 #7
+batch_size = 50 #26 #45 #11 #45 #555 #35 #7
 base_learning_rate = 4e-6 #9.5e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-6 #6e-6 #2e-6 #8e-7 #6e-6 #2e-5 #4e-5 #3e-5 #5e-5 #8e-5
 min_learning_rate = 2.5e-5 #2e-5
 num_epochs = 1 #2 #36 #18
-project = "sdxs"
-use_wandb = True
-save_model = True
+project = "sdxxxs"
+use_wandb = False
+save_model = False
 limit = 0 #200000 #0
 checkpoints_folder = ""
 
@@ -37,7 +37,7 @@ checkpoints_folder = ""
 n_diffusion_steps = 40 
 samples_to_generate = 12
 guidance_scale = 5
-sample_interval_share = 25 # samples/save per epoch
+sample_interval_share = 50 # samples/save per epoch
 
 # Папки для сохранения результатов
 generated_folder = "samples"
@@ -214,7 +214,7 @@ scheduler = DDPMScheduler(
     prediction_type="v_prediction", # V-Prediction
     rescale_betas_zero_snr=True,    # Включение Zero-SNR
     timestep_spacing="leading",     # Добавляем улучшенное распределение шагов
-    steps_offset=1                  # Избегаем проблем с нулевым timestep
+    #steps_offset=1                  # Избегаем проблем с нулевым timestep
 )
 
 # Инициализация переменных для возобновления обучения

train_flow.py

@@ -222,8 +222,13 @@ base_learning_rate = 4e-6 #9.5e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-
 min_learning_rate = 2.5e-5 #2e-5
 num_epochs = 1 #2 #36 #18
 project = "sdxs"
+<<<<<<< HEAD
 use_wandb = True
 save_model = True
+=======
+use_wandb = False
+save_model = False
+>>>>>>> d0c94e4 (sdxxxs)
 limit = 0 #200000 #0
 checkpoints_folder = ""
 
@@ -414,7 +419,11 @@ vae = AutoencoderKL.from_pretrained("AuraDiffusion/16ch-vae").to("cpu", dtype=dt
 
 # Flow Matching
 scheduler = FlowMatchingEulerScheduler(
+<<<<<<< HEAD
     num_train_timesteps=1000,
+=======
+   # num_train_timesteps=1000,
+>>>>>>> d0c94e4 (sdxxxs)
 )
 
 # Инициализация переменных для возобновления обучения

train_lora.py

@@ -1,558 +0,0 @@
-import os
-import math
-import torch
-import numpy as np
-import matplotlib.pyplot as plt
-from torch.utils.data import DataLoader, Sampler
-from collections import defaultdict
-from torch.optim.lr_scheduler import LambdaLR
-from diffusers import UNet2DConditionModel, AutoencoderKL, DDPMScheduler
-from accelerate import Accelerator
-from datasets import load_from_disk
-from tqdm import tqdm
-from PIL import Image,ImageOps
-import wandb
-import random
-import gc
-from accelerate.state import DistributedType
-from torch.distributed import broadcast_object_list
-from torch.utils.checkpoint import checkpoint
-from diffusers.models.attention_processor import AttnProcessor2_0
-from datetime import datetime
-import bitsandbytes as bnb
-
-# --------------------------- Параметры ---------------------------
-save_path = "/home/recoilme/nusha2_768" #"datasets/768" # "datasets/576" #"datasets/576p2" #"datasets/1152p2" #"datasets/576p2" #"datasets/dataset384_temp" #"datasets/dataset384" #"datasets/imagenet-1kk" #"datasets/siski576" #"datasets/siski384" #"datasets/siski64" #"datasets/mnist"
-batch_size = 1 #45 #11 #45 #555 #35 #7
-base_learning_rate = 9e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-6 #6e-6 #2e-6 #8e-7 #6e-6 #2e-5 #4e-5 #3e-5 #5e-5 #8e-5
-min_learning_rate = 2.5e-5 #2e-5
-num_epochs = 20 #2 #36 #18
-project = "sdxs"
-use_wandb = True
-save_model = True
-limit = 0 #200000 #0
-checkpoints_folder = ""
-
-# Параметры для диффузии
-n_diffusion_steps = 40 
-samples_to_generate = 12
-guidance_scale = 5
-sample_interval_share = 1#20 # samples per epoch
-
-# Папки для сохранения результатов
-generated_folder = "samples"
-os.makedirs(generated_folder, exist_ok=True)
-
-# Настройка seed для воспроизводимости
-current_date = datetime.now()
-seed = int(current_date.strftime("%Y%m%d"))
-#torch.manual_seed(seed)
-#np.random.seed(seed)
-#random.seed(seed)
-#if torch.cuda.is_available():
-#    torch.cuda.manual_seed_all(seed)
-
-# --------------------------- Параметры LoRA ---------------------------
-lora_name = "nusha"  # Имя для сохранения/загрузки LoRA адаптеров
-lora_rank = 8   # Ранг LoRA (чем меньше, тем компактнее модель)
-lora_alpha = 8  # Альфа параметр LoRA, определяющий масштаб
-
-print("init")
-# Включение Flash Attention 2/SDPA
-torch.backends.cuda.enable_flash_sdp(True)
-# --------------------------- Инициализация Accelerator --------------------
-dtype = torch.bfloat16
-accelerator = Accelerator(mixed_precision="bf16")
-device = accelerator.device
-gen = torch.Generator(device=device)
-gen.manual_seed(seed)
-
-# --------------------------- Инициализация WandB ---------------------------
-if use_wandb and accelerator.is_main_process:
-    wandb.init(project=project+lora_name, config={
-        "batch_size": batch_size,
-        "base_learning_rate": base_learning_rate,
-        "num_epochs": num_epochs,
-        "n_diffusion_steps": n_diffusion_steps,
-        "samples_to_generate": samples_to_generate,
-        "dtype": str(dtype)
-    })
-
-# --------------------------- Загрузка датасета ---------------------------
-class ResolutionBatchSampler(Sampler):
-    """Сэмплер, который группирует примеры по одинаковым размерам"""
-    def __init__(self, dataset, batch_size, shuffle=True, drop_last=False):
-        self.dataset = dataset
-        self.batch_size = batch_size
-        self.shuffle = shuffle
-        self.drop_last = drop_last
-        
-        # Группируем примеры по размерам
-        self.size_groups = defaultdict(list)
-
-        try:
-            widths = dataset["width"]
-            heights = dataset["height"]
-        except KeyError:
-            widths = [0] * len(dataset)
-            heights = [0] * len(dataset)
-            
-        for i, (w, h) in enumerate(zip(widths, heights)):
-            size = (w, h)
-            self.size_groups[size].append(i)
-        
-        # Печатаем статистику по размерам
-        print(f"Найдено {len(self.size_groups)} уникальных размеров:")
-        for size, indices in sorted(self.size_groups.items(), key=lambda x: len(x[1]), reverse=True):
-            width, height = size
-            print(f"  {width}x{height}: {len(indices)} примеров")
-        
-        # Формируем батчи
-        self.reset()
-        
-    def reset(self):
-        """Сбрасывает и перемешивает индексы"""
-        self.batches = []
-        
-        for size, indices in self.size_groups.items():
-            if self.shuffle:
-                indices_copy = indices.copy()
-                random.shuffle(indices_copy)
-            else:
-                indices_copy = indices
-            
-            # Разбиваем на батчи
-            for i in range(0, len(indices_copy), self.batch_size):
-                batch_indices = indices_copy[i:i + self.batch_size]
-                
-                # Пропускаем неполные батчи если drop_last=True
-                if self.drop_last and len(batch_indices) < self.batch_size:
-                    continue
-                    
-                self.batches.append(batch_indices)
-        
-        # Перемешиваем батчи между собой
-        if self.shuffle:
-            random.shuffle(self.batches)
-    
-    def __iter__(self):
-        self.reset()  # Сбрасываем и перемешиваем в начале каждой эпохи
-        return iter(self.batches)
-    
-    def __len__(self):
-        return len(self.batches)
-
-# Функция для выборки фиксированных семплов по размерам
-def get_fixed_samples_by_resolution(dataset, samples_per_group=1):
-    """Выбирает фиксированные семплы для каждого уникального разрешения"""
-    # Группируем по размерам
-    size_groups = defaultdict(list)
-    try:
-        widths = dataset["width"]
-        heights = dataset["height"]
-    except KeyError:
-        widths = [0] * len(dataset)
-        heights = [0] * len(dataset)
-    for i, (w, h) in enumerate(zip(widths, heights)):
-        size = (w, h)
-        size_groups[size].append(i)
-    
-    # Выбираем фиксированные примеры из каждой группы
-    fixed_samples = {}
-    for size, indices in size_groups.items():
-        # Определяем сколько семплов брать из этой группы
-        n_samples = min(samples_per_group, len(indices))
-        if len(size_groups)==1:
-            n_samples = samples_to_generate
-        if n_samples == 0:
-            continue
-            
-        # Выбираем случайные индексы
-        sample_indices = random.sample(indices, n_samples)
-        samples_data = [dataset[idx] for idx in sample_indices]
-        
-        # Собираем данные
-        latents = torch.tensor(np.array([item["vae"] for item in samples_data]), dtype=dtype).to(device)
-        embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data]), dtype=dtype).to(device)
-        texts = [item["text"] for item in samples_data]
-        
-        # Сохраняем для этого размера
-        fixed_samples[size] = (latents, embeddings, texts)
-    
-    print(f"Создано {len(fixed_samples)} групп фиксированных семплов по разрешениям")
-    return fixed_samples
-
-if limit > 0:
-    dataset = load_from_disk(save_path).select(range(limit))
-else:
-    dataset = load_from_disk(save_path)
-
-
-def collate_fn(batch):
-    # Преобразуем список в тензоры и перемещаем на девайс
-    latents = torch.tensor(np.array([item["vae"] for item in batch]), dtype=dtype).to(device)
-    embeddings = torch.tensor(np.array([item["embeddings"] for item in batch]), dtype=dtype).to(device)
-    return latents, embeddings
-    
-# Используем наш ResolutionBatchSampler
-batch_sampler = ResolutionBatchSampler(dataset, batch_size=batch_size, shuffle=True)
-dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn)
-
-print("Total samples",len(dataloader))
-dataloader = accelerator.prepare(dataloader)
-
-# --------------------------- Загрузка моделей ---------------------------
-# VAE загружается на CPU для экономии GPU-памяти
-vae = AutoencoderKL.from_pretrained("AuraDiffusion/16ch-vae").to("cpu", dtype=dtype)
-
-# DDPMScheduler с V_Prediction и Zero-SNR
-scheduler = DDPMScheduler(
-    num_train_timesteps=1000,       # Полный график шагов для обучения
-    prediction_type="v_prediction", # V-Prediction
-    rescale_betas_zero_snr=True,    # Включение Zero-SNR
-    timestep_spacing="leading",     # Добавляем улучшенное распределение шагов
-    steps_offset=1                  # Избегаем проблем с нулевым timestep
-)
-
-# Инициализация переменных для возобновления обучения
-start_epoch = 0
-global_step = 0
-
-# Расчёт общего количества шагов 
-total_training_steps = (len(dataloader) * num_epochs)
-# Get the world size
-world_size = accelerator.state.num_processes
-print(f"World Size: {world_size}")
-
-# Опция загрузки модели из последнего чекпоинта (если существует)
-latest_checkpoint = os.path.join(checkpoints_folder, project)
-if os.path.isdir(latest_checkpoint):
-    print("Загружаем UNet из чекпоинта:", latest_checkpoint)
-    unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device, dtype=dtype)
-    unet.enable_gradient_checkpointing()
-    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
-    try:
-        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
-        print("SDPA включен через set_attn_processor.")
-    except Exception as e:
-        print(f"Ошибка при включении SDPA: {e}")
-        print("Попытка использовать enable_xformers_memory_efficient_attention.")
-        unet.set_use_memory_efficient_attention_xformers(True)
-
-if lora_name:
-    print(f"--- Настройка LoRA через PEFT (Rank={lora_rank}, Alpha={lora_alpha}) ---")
-    from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
-    from peft.tuners.lora import LoraModel
-    import os
-    # 1. Замораживаем все параметры UNet
-    unet.requires_grad_(False)
-    print("Параметры базового UNet заморожены.")
-
-    # 2. Создаем конфигурацию LoRA
-    lora_config = LoraConfig(
-        r=lora_rank,
-        lora_alpha=lora_alpha,
-        target_modules=["to_q", "to_k", "to_v", "to_out.0"],
-        lora_dropout=0.0,
-        bias="none",
-        task_type="FEATURE_EXTRACTION",  # ✅ VALID
-    )
-
-    # 3. Оборачиваем UNet в PEFT-модель
-    from peft import get_peft_model
-    
-    peft_unet = get_peft_model(unet, lora_config)
-
-    # 4. Получаем параметры для оптимизации
-    params_to_optimize = list(p for p in peft_unet.parameters() if p.requires_grad)
-
-    # 5. Выводим информацию о количестве параметров
-    if accelerator.is_main_process:
-        lora_params_count = sum(p.numel() for p in params_to_optimize)
-        total_params_count = sum(p.numel() for p in unet.parameters())
-        print(f"Количество обучаемых параметров (LoRA): {lora_params_count:,}")
-        print(f"Общее количество параметров UNet: {total_params_count:,}")
-        if total_params_count > 0:
-            print(f"Доля обучаемых параметров (LoRA): {lora_params_count / total_params_count:.4%}")
-
-    # 6. Путь для сохранения
-    lora_save_path = os.path.join("lora", lora_name)
-    os.makedirs(os.path.dirname(lora_save_path), exist_ok=True)
-
-    # 7. Функция для сохранения
-    def save_lora_checkpoint(model):
-        if accelerator.is_main_process:
-            print(f"Сохраняем LoRA адаптеры  в {lora_save_path}")
-            from peft.utils.save_and_load import get_peft_model_state_dict
-            # Получаем state_dict только LoRA
-            lora_state_dict = get_peft_model_state_dict(model)
-
-            # Сохраняем веса
-            torch.save(lora_state_dict, os.path.join(lora_save_path, "adapter_model.bin"))
-    
-            # Сохраняем конфиг
-            model.peft_config["default"].save_pretrained(lora_save_path)
-
-# --------------------------- Оптимизатор ---------------------------
-# Определяем параметры для оптимизации
-if lora_name:
-    # Если используется LoRA, оптимизируем только параметры LoRA
-    trainable_params = [p for p in unet.parameters() if p.requires_grad]
-    print(f"Обучаем только {len(trainable_params)} LoRA параметров вместо полного UNet")
-else:
-    # Иначе оптимизируем все параметры
-    trainable_params = list(unet.parameters())
-    
-# [1] Создаем словарь оптимизаторов (fused backward)
-optimizer_dict = {
-    p: bnb.optim.AdamW8bit(
-        [p],  # Каждый параметр получает свой оптимизатор
-        lr=base_learning_rate,
-        betas=(0.9, 0.999),
-        weight_decay=1e-5,
-        eps=1e-8
-    ) for p in trainable_params
-}
-
-# [2] Определяем hook для применения оптимизатора сразу после накопления градиента
-def optimizer_hook(param):
-    optimizer_dict[param].step()
-    optimizer_dict[param].zero_grad(set_to_none=True)
-
-# [3] Регистрируем hook для trainable параметров модели
-for param in trainable_params:
-    param.register_post_accumulate_grad_hook(optimizer_hook)
-
-# Подготовка через Accelerator
-unet, optimizer = accelerator.prepare(unet, optimizer_dict)
-
-# --------------------------- Фиксированные семплы для генерации ---------------------------
-# Примеры фиксированных семплов по размерам
-fixed_samples = get_fixed_samples_by_resolution(dataset)
-
-
-@torch.no_grad()
-def generate_and_save_samples(fixed_samples,step):
-    """
-    Генерирует семплы для каждого из разрешений и сохраняет их.
-    
-    Args:
-        step: Текущий шаг обучения
-        fixed_samples: Словарь, где ключи - размеры (width, height), 
-                       а значения - кортежи (latents, embeddings)
-    """
-    try:
-        original_model = accelerator.unwrap_model(unet)
-        # Перемещаем VAE на device для семплирования
-        vae.to(accelerator.device, dtype=dtype)
-        
-        # Устанавливаем количество diffusion шагов
-        scheduler.set_timesteps(n_diffusion_steps)
-        
-        all_generated_images = []
-        size_info = []  # Для хранения информации о размере для каждого изображения
-        all_captions = [] 
-        
-        # Проходим по всем группам размеров
-        for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples.items():
-            width, height = size
-            size_info.append(f"{width}x{height}")
-            #print(f"Генерация {sample_latents.shape[0]} изображений размером {width}x{height}")
-            
-            # Инициализируем латенты случайным шумом для этой группы
-            noise = torch.randn(
-                sample_latents.shape,
-                generator=gen,
-                device=sample_latents.device,
-                dtype=sample_latents.dtype
-            )
-            
-            # Начинаем с шума
-            current_latents = noise.clone()
-            
-            # Подготовка текстовых эмбеддингов для guidance
-            if guidance_scale > 0:
-                empty_embeddings = torch.zeros_like(sample_text_embeddings)
-                text_embeddings = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
-            else:
-                text_embeddings = sample_text_embeddings
-            
-            # Генерация изображений
-            for t in scheduler.timesteps:
-                # Подготовка входных данных для UNet
-                if guidance_scale > 0:
-                    latent_model_input = torch.cat([current_latents] * 2)
-                    latent_model_input = scheduler.scale_model_input(latent_model_input, t)
-                else:
-                    latent_model_input = scheduler.scale_model_input(current_latents, t)
-                
-                # Предсказание шума
-                noise_pred = original_model(latent_model_input, t, text_embeddings).sample
-                
-                # Применение guidance scale
-                if guidance_scale > 0:
-                    noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
-                    noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond)
-                
-                # Обновление латентов
-                current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample
-            
-            # Декодирование через VAE
-            latent = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
-            latent = latent.to(accelerator.device, dtype=dtype)
-            decoded = vae.decode(latent).sample
-            
-            # Преобразуем тензоры в PIL-изображения и сохраняем
-            for img_idx, img_tensor in enumerate(decoded):
-                img = (img_tensor.to(torch.float32) / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
-                pil_img = Image.fromarray((img * 255).astype("uint8"))
-                # Определяем максимальные ширину и высоту
-                max_width = max(size[0] for size in fixed_samples.keys())
-                max_height = max(size[1] for size in fixed_samples.keys())
-                max_width = max(255,max_width)
-                max_height = max(255,max_height)
-            
-                # Добавляем padding, чтобы изображение стало размером max_width x max_height
-                padded_img = ImageOps.pad(pil_img, (max_width, max_height), color='white')
-            
-                all_generated_images.append(padded_img)
-
-                caption_text = sample_text[img_idx][:200] if img_idx < len(sample_text) else ""
-                all_captions.append(caption_text)
-                
-                # Сохраняем с информацией о размере в имени файла
-                save_path = f"{generated_folder}/{project}_{width}x{height}_{img_idx}.jpg"
-                pil_img.save(save_path, "JPEG", quality=96)
-        
-        # Отправляем изображения на WandB с информацией о размере
-        if use_wandb and accelerator.is_main_process:
-            wandb_images = [
-                wandb.Image(img, caption=f"{all_captions[i]}")
-                for i, img in enumerate(all_generated_images)
-            ]
-            wandb.log({"generated_images": wandb_images, "global_step": step})
-    
-    finally:        
-        # Гарантированное перемещение VAE обратно на CPU
-        vae.to("cpu")
-        if original_model is not None:
-            del original_model
-        # Очистка всех тензоров
-        for var in list(locals().keys()):
-            if isinstance(locals()[var], torch.Tensor):
-                del locals()[var]
-        torch.cuda.empty_cache()
-        gc.collect()
-        
-# --------------------------- Генерация сэмплов перед обучением ---------------------------
-if accelerator.is_main_process:
-    if save_model:
-        print("Генерация сэмплов до старта обучения...")
-        generate_and_save_samples(fixed_samples,0)
-
-# Модифицируем функцию сохранения модели для поддержки LoRA
-def save_checkpoint(unet):
-    if accelerator.is_main_process:
-        if lora_name:
-            # Сохраняем только LoRA адаптеры
-            save_lora_checkpoint(unet)
-        else:
-            # Сохраняем полную модель
-            accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
-
-# --------------------------- Тренировочный цикл ---------------------------
-# Для логирования среднего лосса каждые % эпохи
-if accelerator.is_main_process:
-    print(f"Total steps per GPU: {total_training_steps}")
-print(f"[GPU {accelerator.process_index}] Total steps: {total_training_steps}")
-
-epoch_loss_points = []
-progress_bar = tqdm(total=total_training_steps, disable=not accelerator.is_local_main_process, desc="Training", unit="step")
-
-# Определяем интервал для сэмплирования и логирования в пределах эпохи (10% эпохи)
-steps_per_epoch = len(dataloader)
-sample_interval = max(1, steps_per_epoch // sample_interval_share)
-
-# Начинаем с указанной эпохи (полезно при возобновлении)
-for epoch in range(start_epoch, start_epoch + num_epochs):
-    batch_losses = []
-    unet.train()
-    
-    for step, (latents, embeddings) in enumerate(dataloader):
-        with accelerator.accumulate(unet):
-            if save_model == False and step == 3 :
-                used_gb = torch.cuda.max_memory_allocated() / 1024**3
-                print(f"Шаг {step}: {used_gb:.2f} GB")
-            # Forward pass 
-            noise = torch.randn_like(latents)
-            
-            timesteps = torch.randint(
-                1,  # Начинаем с 1, не с 0
-                scheduler.config.num_train_timesteps, 
-                (latents.shape[0],), 
-                device=device
-            ).long()
-            
-            # Добавляем шум к латентам
-            noisy_latents = scheduler.add_noise(latents, noise, timesteps)
-
-            # Получаем предсказание шума - кастим в bf16
-            noise_pred = unet(noisy_latents, timesteps, embeddings).sample.to(dtype=torch.bfloat16)
-        
-            # Используем целевое значение v_prediction
-            target = scheduler.get_velocity(latents, noise, timesteps)
-
-            # Считаем лосс
-            loss = torch.nn.functional.mse_loss(noise_pred, target)
-
-            # Делаем backward через Accelerator
-            accelerator.backward(loss)
-            
-            # Увеличиваем счетчик глобальных шагов
-            global_step += 1
-            
-            # Обновляем прогресс-бар
-            progress_bar.update(1)
-            
-            # Логируем метрики
-            if accelerator.is_main_process:
-                current_lr = base_learning_rate
-                batch_losses.append(loss.detach().item())
-                
-                # Логируем в Wandb 
-                if use_wandb:
-                    wandb.log({
-                        "loss": loss.detach().item(),
-                        "learning_rate": current_lr,
-                        "epoch": epoch,
-                        "global_step": global_step
-                    })
-            
-                # Генерируем сэмплы с заданным интервалом
-                if global_step % sample_interval == 0:
-                    if save_model:
-                        save_checkpoint(unet)
-                        
-                    generate_and_save_samples(fixed_samples,global_step)
-                    
-                    # Выводим текущий лосс
-                    avg_loss = np.mean(batch_losses[-sample_interval:])
-                    #print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}, LR: {current_lr:.8f}")
-                    if use_wandb:
-                        wandb.log({"intermediate_loss": avg_loss})
-            
-    
-    # По окончании эпохи
-    if accelerator.is_main_process:
-        avg_epoch_loss = np.mean(batch_losses)
-        print(f"\nЭпоха {epoch} завершена. Средний лосс: {avg_epoch_loss:.6f}")
-        if use_wandb:
-            wandb.log({"epoch_loss": avg_epoch_loss, "epoch": epoch+1})
-
-# Завершение обучения - сохраняем финальную модель
-if accelerator.is_main_process:
-    print("Обучение завершено! Сохраняем финальную модель...")
-    # Сохраняем основную модель
-    if save_model:
-        save_checkpoint(unet)
-    print("Готово!")

train_sdxxxs.py

@@ -23,10 +23,10 @@ import bitsandbytes as bnb
 
 # --------------------------- Параметры ---------------------------
 save_path = "datasets/768" # "datasets/576" #"datasets/576p2" #"datasets/1152p2" #"datasets/576p2" #"datasets/dataset384_temp" #"datasets/dataset384" #"datasets/imagenet-1kk" #"datasets/siski576" #"datasets/siski384" #"datasets/siski64" #"datasets/mnist"
-batch_size = 70 #30 #26 #45 #11 #45 #555 #35 #7
-base_learning_rate = 4e-6 #9.5e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-6 #6e-6 #2e-6 #8e-7 #6e-6 #2e-5 #4e-5 #3e-5 #5e-5 #8e-5
+batch_size = 45 #30 #26 #45 #11 #45 #555 #35 #7
+base_learning_rate = 2.5e-5 #4e-6 #2e-5 #4e-6 #9.5e-7 #9e-7 #2e-6 #1e-6 #9e-7 #1e-6 #2e-6 #1e-6 #2e-6 #6e-6 #2e-6 #8e-7 #6e-6 #2e-5 #4e-5 #3e-5 #5e-5 #8e-5
 min_learning_rate = 2.5e-5 #2e-5
-num_epochs = 10 #2 #36 #18
+num_epochs = 1 #2 #36 #18
 project = "sdxxxs"
 use_wandb = True
 save_model = True
@@ -37,7 +37,7 @@ checkpoints_folder = ""
 n_diffusion_steps = 40 
 samples_to_generate = 12
 guidance_scale = 5
-sample_interval_share = 70 # samples/save per epoch
+sample_interval_share = 20 # samples/save per epoch
 
 # Папки для сохранения результатов
 generated_folder = "samples"
@@ -214,7 +214,7 @@ scheduler = DDPMScheduler(
     prediction_type="v_prediction", # V-Prediction
     rescale_betas_zero_snr=True,    # Включение Zero-SNR
     timestep_spacing="leading",     # Добавляем улучшенное распределение шагов
-    steps_offset=1                  # Избегаем проблем с нулевым timestep
+    #steps_offset=1                  # Избегаем проблем с нулевым timestep
 )
 
 # Инициализация переменных для возобновления обучения