Stable Diffusion1.5网络结构-超详细原创

目录

绘制软件：ProcessOn，以下图片保存可高清查看

1 Unet

1.0 介绍　

        负责预测噪声

1.1详细整体结构

1.2 缩小版整体结构

1.3 时间步编码

1.4 CrossAttnDownBlock2D

每个ResnetBlock2D的输入有两个

1，一个是来自上一层的输出lattent,

2，另一个来自时间步编码模块的输出time_embeds ( shape=[2, 1280], 后面省略说明，默认[2, 1280]这种写法是tersor的形状)

每个Transformer2DModel输入有两个

１，上一层的输出

２， CLIP text_encoder的文本编码text embedding，或者叫提示词编码prompt embedding，其shape=[2, 77, 768]

后面凡是有ResnetBlock2D和Transformer2DModel的模块，其输入形式都是如此，为了方便，后面有些模块的time_embeds和prompt  embedding这两个输入就默认不画了，例如UnetMidBlock2DCrossAttn、UpBlock2D、CrossAttnUpBlock2D

1.4.1 ResnetBlock2D

需要注意的点

1, ResnetBlock2D的输入有两个，一个是来自上一层的lattent，另一个来自时间步编码模块的输出time_embeds ( shape=[2, 1280], 后面省略说明，默认[2, 1280]这种写法是tersor的形状)

2, Conv3x3和Linear的输入输出Channel，不同层会不一样

3, 输入输出通道数不一致的时候，残差连接会用一个1×1的卷积

1.4.2 Transformer2DModel

Transformer2DModel输入有两个

１，上一层的输入

２， CLIP text_encoder的文本编码text embedding，或者叫提示词编码prompt embedding，其shape=[2, 77, 768]

1.4.2.1 BasicTransformerBlock

1.4.2.1.1 SelfAttention

1.4.2.1.2 CrossAttention

1.4.2.1.3 FeedForward

1.4.3 DownSample2D

1.5 DownBlock2D

1.6 UnetMidBlock2DCrossAttn

1.7 UpBlock2D

UNet右边部分的ResnetBlock2D模块，其输入除了有来自上一层的输出和time_embedd之外，还有自UNet左边部分输入，具体做法是将上一层的输出和UNet左边部分输入进行concat之后送进ResnetBlock2D模块，然后和time_embedd相加，后面的CrossAttnUpBlock2D也是如此，具体查看1.1 详细整体结构

1.7.1 UpSample2D

1.8 CrossAttnUpBlock2D

注意, 最后一个CrossAttnUpBlock2D没有UpSample2D模块,该模块具体输入输出shape看1.1 详细整体结构

2 VAE

2.0 介绍

将扩散过程从512×512的图像空间映射降维到64×64的潜空间，内存和运算量减小64倍

2.1 AE

注意：下面说的特征向量，编码向量，潜变量，code是同一个意思

普通的自编码器，分为编码器和解码器，编码器Encoder负责将编码图像，把图像从高维映射到低维，得到特征向量，例如把3x512x512的图像编码成4x64x64的特征向量，这个特征向量可以表示原始图像，包含原始图像的特征，比如颜色，纹理等其他抽象特征，解码器Decoder负责把低维的特征向量还原回原始图像．但这种编码是固定的，一张图片只能编码成一个固定的向量，反过来，解码也是唯一的，一个固定的编码向量只会被解码成一张确定的图像，如果来一张你训练集没见过的图片，对其编码后再解码，生成的图像大概率是个无意义的图像，因此AE是一个单值映射关系，潜变量（即编码向量）具有不连续性，潜变量是确定性值，选择一个随机的潜在变量可能会产生垃圾输出，潜在空间缺乏生成能力(即潜空间不是所有的潜变量都是有效的)，

举个李宏毅老师的例子：

假设我们训练好的AE将“新月”图片encode成code=1（这里假设code只有1维），将其decode能得到“新月”的图片；将“满月”encode成code=10，同样将其decode能得到“满月”图片。这时候如果我们给AE一个code=5，我们希望是能得到“半月”的图片，但由于之前训练时并没有将“半月”的图片编码，或者将一张非月亮的图片编码为5，那么我们就不太可能得到“半月”的图片。

其他博客解释：

        AE的Encoder是将图片映射成“数值编码”，Decoder是将“数值编码”映射成图片。这样存在的问题是，在训练过程中，随着不断降低输入图片与输出图片之间的误差，模型会过拟合，泛化性能不好。也就是说对于一个训练好的AE，输入某个图片，就只会将其编码为某个确定的code，输入某个确定的code就只会输出某个确定的图片，并且如果这个code来自于没见过的图片，那么生成的图片也不会好。

        自动编码器是数据相关的（data-specific 或 data-dependent），这意味着自动编码器只能压缩那些与训练数据类似的数据，反过也是一类数据对应一种编码器，无法拓展一种编码器去应用于另一类数据。

2.2 VAE

而VAE不是将图像编码成一个固定的值，而是编码成一个连续的分布，这样，只要满足这个分布，我就能重建原始图像，满足这个分布的值会有很多，不再是一个固定的code了，例如，我把编码器的输出约束成一个标准正态分布，重建图像我只需要从标准正态分布采样在送到就解码器即可，

这里其实不一定非得要是标准正态分布，只要是连续的分布理论上都可以，但由于标准正态分布有良好的性质：１，高维正态分布采样的向量模长近似一致，两两近似正交，两点之间的欧式距离与期望值近似，这是一个很好的约束，对模型的学习有利;2,良好的数学性质，但你对多个分布进行运算时（像Diffusion），正态分布会带来很大的便利,可以通过标准化,变换等方式处理，便于模型的训练和优化;3,用标准正态分布对潜变量进行建模，能利用正态分布的性质进行随机采样和重构（重参数化）

举个例子：来自https://www.cnblogs.com/amazingter/p/14686450.html

针对上面的半月问题，我们转变思路，不将图片映射成“数值编码”，而将其映射成“分布”。我们将“新月”图片映射成μ=1的正态分布，那么就相当于在1附近加了噪声，此时不仅1表示“新月”，1附近的数值也表示“新月”，只是1的时候最像“新月”。将”满月”映射成μ=10的正态分布，10的附近也都表示“满月”。那么code=5时，就同时拥有了“新月”和“满月”的特点，那么这时候decode出来的大概率就是“半月”了。这就是VAE的思想。

关于VAE还可以参考【VAE学习笔记】全面通透地理解VAE(Variational Auto Encoder)_vae的作用-CSDN博客

写的很好，接下来正式上图

2.3 整体结构 

由于csdn查看大图很捞，可双击另存为查看高清大图

2.4 DownEncoderBlock2D

注意：VAE的ResnetBlock2D模块是没有时间步的输入的，即time_embeds=None, 其他的和上面Unet中的ResnetBlock2D一致

2.4.1  ResnetBlock2D

2.4.2 UpSample2D

2.5 UnetMidBlock2D

SelfAttention参考Unet中的

2.6 Sample

重参数化技巧：

现在均值mean和方差var(实际是log方差，这里先以方差为例)是网络的输出，也就是现在编码器的输出服从N~(mean, var)这个正态分布，我们要从这个正态分布采样出一个样本，送进解码器，这个样本是服从N~(mean, var)正态分布的，但采样这个操作是不可导的，采样操作是指从某个概率分布中随机抽取样本的过程，因为梯度是损失函数关于模型参数的变化率，而采样操作的非确定性使得无法直接计算关于参数的精确梯度。如果将采样操作视为一个具有参数的函数，并尝试计算其导数，通常会遇到两个问题：

1. 不可导性： 由于采样操作引入了离散性和不可导性，它们在大多数情况下是不可导的。导数描述的是函数在某一点上的变化率，而采样操作在这方面表现得很突变和不连续，因此没有明确定义的导数。

2. 梯度的方差： 即使我们忽略不可导性，尝试使用梯度信息来更新参数，由于采样引入的随机性，梯度的方差可能会非常高，导致不稳定的优化过程。

所以无法对mean和var求偏导，因为这里mean和var就是网络的参数，这个时候可以从标准正态分布N（0,1）采样一个sample(一般会用概率密度的分布函数去采样), 这个时候sample就是一个确定的值，把sample当成常数，std是标准差，等于var开根号

令z=mean + sample * std，这个时候z就可以对mean和std求偏导了，z就等价从N~(mean, var)这个分布采样，可以对z求期望和方差，根据高斯分布的性质以及期望和方差的公式，能得出z也服从正态分布，切均值=mean, 方差=std的平方=var，这样做其实是把随机性转移到了sample这个常数

但代码里是log方差，是因为方差是正的，加log让它取值范围也能取负值，这样就不用加激活函数了，所以后面再用exp还原方差

2.7 UpDecoderBlock2D

 2.7.1  UpSample2D

3 CLIP

CLIP这里用到的是文本编码器，结构如下

3.1  CLIPTextEmbeddings

灰色的框框text_inoputs和embedding不是操作，是表示输入输出

3.2  CLIPEncoderLayer

CLIPEncoderLayer就是普通的Transformer的Encoder层了