576ep10

scheduler/scheduler_config.json

@@ -1,19 +1,3 @@
-{
-  "_class_name": "DDPMScheduler",
-  "_diffusers_version": "0.33.0.dev0",
-  "beta_end": 0.02,
-  "beta_schedule": "linear",
-  "beta_start": 0.0001,
-  "clip_sample": true,
-  "clip_sample_range": 1.0,
-  "dynamic_thresholding_ratio": 0.995,
-  "num_train_timesteps": 1000,
-  "prediction_type": "v_prediction",
-  "rescale_betas_zero_snr": true,
-  "sample_max_value": 1.0,
-  "steps_offset": 1,
-  "thresholding": false,
-  "timestep_spacing": "leading",
-  "trained_betas": null,
-  "variance_type": "fixed_small"
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:b855b6a6febe6a49dddb616e8f2445ad87530066b19520b0bd9abb75e3312a94
+size 506

sdxs/diffusion_pytorch_model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:a88f056993b76bf617c31da12d8975ac1c45e4c578fcf80b731cd37fea91293a
+oid sha256:4bf4e3f25670722ebd75f6238db3c041d1933ed5611edc5a0795ea0f4674958e
 size 4529095968

text_encoder/config.json

@@ -1,28 +1,3 @@
-{
-  "_name_or_path": "/home/recoilme/sdxs576/text_encoder",
-  "architectures": [
-    "XLMRobertaModel"
-  ],
-  "attention_probs_dropout_prob": 0.1,
-  "bos_token_id": 0,
-  "classifier_dropout": null,
-  "eos_token_id": 2,
-  "hidden_act": "gelu",
-  "hidden_dropout_prob": 0.1,
-  "hidden_size": 1024,
-  "initializer_range": 0.02,
-  "intermediate_size": 4096,
-  "layer_norm_eps": 1e-05,
-  "max_position_embeddings": 514,
-  "model_type": "xlm-roberta",
-  "num_attention_heads": 16,
-  "num_hidden_layers": 24,
-  "output_past": true,
-  "pad_token_id": 1,
-  "position_embedding_type": "absolute",
-  "torch_dtype": "float16",
-  "transformers_version": "4.48.3",
-  "type_vocab_size": 1,
-  "use_cache": true,
-  "vocab_size": 250002
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:87131a858ee394af6afae023f733cdebc36eda2ccbed27c36bc887cfae427392
+size 721

text_projector/config.json

@@ -1 +1,3 @@
-{"in_features": 1024, "out_features": 1152, "bias": false, "_class_name": "Linear"}
+version https://git-lfs.github.com/spec/v1
+oid sha256:ae2f211593cd2cc736bf8617bcb0a5e6abd4db0265170de82ae03b7a6664feda
+size 83

tokenizer/special_tokens_map.json

@@ -1,51 +1,3 @@
-{
-  "bos_token": {
-    "content": "<s>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "cls_token": {
-    "content": "<s>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "eos_token": {
-    "content": "</s>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "mask_token": {
-    "content": "<mask>",
-    "lstrip": true,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "pad_token": {
-    "content": "<pad>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "sep_token": {
-    "content": "</s>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  },
-  "unk_token": {
-    "content": "<unk>",
-    "lstrip": false,
-    "normalized": false,
-    "rstrip": false,
-    "single_word": false
-  }
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:8c785abebea9ae3257b61681b4e6fd8365ceafde980c21970d001e834cf10835
+size 964

tokenizer/tokenizer_config.json

@@ -1,55 +1,3 @@
-{
-  "added_tokens_decoder": {
-    "0": {
-      "content": "<s>",
-      "lstrip": false,
-      "normalized": false,
-      "rstrip": false,
-      "single_word": false,
-      "special": true
-    },
-    "1": {
-      "content": "<pad>",
-      "lstrip": false,
-      "normalized": false,
-      "rstrip": false,
-      "single_word": false,
-      "special": true
-    },
-    "2": {
-      "content": "</s>",
-      "lstrip": false,
-      "normalized": false,
-      "rstrip": false,
-      "single_word": false,
-      "special": true
-    },
-    "3": {
-      "content": "<unk>",
-      "lstrip": false,
-      "normalized": false,
-      "rstrip": false,
-      "single_word": false,
-      "special": true
-    },
-    "250001": {
-      "content": "<mask>",
-      "lstrip": true,
-      "normalized": false,
-      "rstrip": false,
-      "single_word": false,
-      "special": true
-    }
-  },
-  "bos_token": "<s>",
-  "clean_up_tokenization_spaces": false,
-  "cls_token": "<s>",
-  "eos_token": "</s>",
-  "extra_special_tokens": {},
-  "mask_token": "<mask>",
-  "model_max_length": 512,
-  "pad_token": "<pad>",
-  "sep_token": "</s>",
-  "tokenizer_class": "XLMRobertaTokenizer",
-  "unk_token": "<unk>"
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:ccf223ba3d5b3cc7fa6c3bf451f3bb40557a5c92b0aa33f63d17802ff1a96fd9
+size 1178

train.py_

@@ -23,7 +23,7 @@ from datetime import datetime
 # --------------------------- Параметры ---------------------------
 save_path = "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 = 45 #11 #45 #555 #35 #7
-base_learning_rate = 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
+base_learning_rate = 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 = 4 #2 #36 #18
 project = "sdxs"
@@ -48,11 +48,11 @@ 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)
+#torch.manual_seed(seed)
+#np.random.seed(seed)
+#random.seed(seed)
+#if torch.cuda.is_available():
+#    torch.cuda.manual_seed_all(seed)
 
 print("init")
 # Включение Flash Attention 2/SDPA

train_lora.py

@@ -0,0 +1,489 @@
+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
+
+# --------------------------- Параметры ---------------------------
+save_path = "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 = 45 #11 #45 #555 #35 #7
+base_learning_rate = 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 = 4 #2 #36 #18
+project = "sdxs"
+use_wandb = True
+save_model = True
+limit = 0 #200000 #0
+checkpoints_folder = ""
+use_lr_decay = False  # отключить затухание
+
+# Параметры для диффузии
+n_diffusion_steps = 40 
+samples_to_generate = 12
+guidance_scale = 5
+sample_interval_share = 20
+
+# 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)
+
+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, 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)
+        
+        # Пер��мешиваем батчи разных размеров 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)
+
+# --------------------------- Оптимизатор и кастомный LR scheduler ---------------------------
+# pip install bitsandbytes 
+import bitsandbytes as bnb
+
+# [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 unet.parameters()
+}
+
+# [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 всех параметров модели
+for param in unet.parameters():
+    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)
+
+# --------------------------- 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)
+            
+            # Увеличив��ем 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,
+                        #"grad_norm": grad_norm.item(),
+                        "global_step": global_step
+                    })
+            
+                # Генерируем сэмплы с заданным интервалом
+                if global_step % sample_interval == 0:
+                    if save_model:
+                        accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
+                        
+                    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
+    #accelerator.wait_for_everyone() 
+    # Сохраняем чекпоинт в конце каждой эпохи
+    if accelerator.is_main_process:
+        
+        # Сохраняем UNet отдельно для удобства использования
+        #if save_model:
+        #    accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
+        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:
+        accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
+    print("Готово!")

unet/config.json

@@ -1,78 +1,3 @@
-{
-  "_class_name": "UNet2DConditionModel",
-  "_diffusers_version": "0.33.0.dev0",
-  "_name_or_path": "sdxs",
-  "act_fn": "silu",
-  "addition_embed_type": null,
-  "addition_embed_type_num_heads": 48,
-  "addition_time_embed_dim": null,
-  "attention_head_dim": 48,
-  "attention_type": "default",
-  "block_out_channels": [
-    384,
-    576,
-    768,
-    960
-  ],
-  "center_input_sample": false,
-  "class_embed_type": null,
-  "class_embeddings_concat": false,
-  "conv_in_kernel": 3,
-  "conv_out_kernel": 3,
-  "cross_attention_dim": 1152,
-  "cross_attention_norm": null,
-  "down_block_types": [
-    "CrossAttnDownBlock2D",
-    "CrossAttnDownBlock2D",
-    "CrossAttnDownBlock2D",
-    "CrossAttnDownBlock2D"
-  ],
-  "downsample_padding": 1,
-  "dropout": 0.1,
-  "dual_cross_attention": false,
-  "encoder_hid_dim": null,
-  "encoder_hid_dim_type": null,
-  "flip_sin_to_cos": true,
-  "freq_shift": 0,
-  "in_channels": 16,
-  "layers_per_block": [
-    2,
-    2,
-    2,
-    2
-  ],
-  "mid_block_only_cross_attention": null,
-  "mid_block_scale_factor": 1.0,
-  "mid_block_type": "UNetMidBlock2DCrossAttn",
-  "norm_eps": 1e-05,
-  "norm_num_groups": 16,
-  "num_attention_heads": null,
-  "num_class_embeds": null,
-  "only_cross_attention": false,
-  "out_channels": 16,
-  "projection_class_embeddings_input_dim": null,
-  "resnet_out_scale_factor": 1.0,
-  "resnet_skip_time_act": false,
-  "resnet_time_scale_shift": "default",
-  "reverse_transformer_layers_per_block": null,
-  "sample_size": 64,
-  "time_cond_proj_dim": null,
-  "time_embedding_act_fn": null,
-  "time_embedding_dim": null,
-  "time_embedding_type": "positional",
-  "timestep_post_act": null,
-  "transformer_layers_per_block": [
-    4,
-    6,
-    8,
-    10
-  ],
-  "up_block_types": [
-    "CrossAttnUpBlock2D",
-    "CrossAttnUpBlock2D",
-    "CrossAttnUpBlock2D",
-    "CrossAttnUpBlock2D"
-  ],
-  "upcast_attention": false,
-  "use_linear_projection": true
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:f2273cd4cc67fba9bb3ad740df06b6a87901105e88b40d9b18fa4cdc8809314e
+size 1895

unet/diffusion_pytorch_model.fp16.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:a88f056993b76bf617c31da12d8975ac1c45e4c578fcf80b731cd37fea91293a
+oid sha256:4bf4e3f25670722ebd75f6238db3c041d1933ed5611edc5a0795ea0f4674958e
 size 4529095968

vae/config.json

@@ -1,38 +1,3 @@
-{
-  "_class_name": "AutoencoderKL",
-  "_diffusers_version": "0.33.0.dev0",
-  "_name_or_path": "/home/recoilme/sdxs576/vae",
-  "act_fn": "silu",
-  "block_out_channels": [
-    128,
-    256,
-    512,
-    512
-  ],
-  "down_block_types": [
-    "DownEncoderBlock2D",
-    "DownEncoderBlock2D",
-    "DownEncoderBlock2D",
-    "DownEncoderBlock2D"
-  ],
-  "force_upcast": false,
-  "in_channels": 3,
-  "latent_channels": 16,
-  "latents_mean": null,
-  "latents_std": null,
-  "layers_per_block": 2,
-  "mid_block_add_attention": false,
-  "norm_num_groups": 32,
-  "out_channels": 3,
-  "sample_size": 1024,
-  "scaling_factor": 0.18215,
-  "shift_factor": 0,
-  "up_block_types": [
-    "UpDecoderBlock2D",
-    "UpDecoderBlock2D",
-    "UpDecoderBlock2D",
-    "UpDecoderBlock2D"
-  ],
-  "use_post_quant_conv": true,
-  "use_quant_conv": true
-}
+version https://git-lfs.github.com/spec/v1
+oid sha256:992be219657d2876df23100f817d060c9f9aa497358ad30d7282103d96823d1f
+size 819