（跨模态）AI作画——使用stable-diffusion生成图片

0. 简介

自从DallE问世以来，AI绘画越来越收到关注，从最初只能画出某些特征，到越来越逼近真实图片，并且可以利用prompt来指导生成图片的风格。

前不久，stable-diffusion的v1-4版本终于开源，本文主要面向不熟悉huggingface的同学，介绍一下stable-diffusion如何使用（非常简单）。

1. 注册并登录huggingface

直接打开compvis的stable-diffusion：
https://huggingface.co/CompVis/stable-diffusion-v1-4
然后，去找它的模型，想给它下载下来，但是进入下载界面，会显示404。没关系，如果没注册过huggingface，需要先注册一个账号，一分钟搞定。

然后回到model card，有一个用户协议，点击接受：

2. 下载模型

在切回模型文件，发现就可以下载了：

点击每个文件后边的小箭头，就可以下载了，把所有下载的文件扔到一个文件夹里，你可以把这个文件夹命名为stable_diffusion，注意里边的这些文件夹的名称也要与项目里保持一致。

其实在这里我们也可以大概看到整个模型的基本结构：

1. 一个自编码器VAE：用于重构模型（所以在使用的时候只调用了它的解码器）；
2. 一个U型网络；
3. 一个Clip：用于对输入的文本进行编码；
4. 还有一个safty checker暂时不太清楚是做什么用的。

官方文档里对模型结构的整体介绍如下：

由于模型我目前也不是很熟，就不多介绍了，怕讲错了。直接进入下一个环节，生成。

3. 生成

首先安装一下环境依赖：

pip install transformers
pip install diffusers

在配置好环境之后，模型的调用非常方便：

import torch
from diffusers import StableDiffusionPipeline

然后建立模型，这里的模型路径可以选择之前下载的所有文件存放的路径。

pipe = StableDiffusionPipeline.from_pretrained('xxxxxx/huggingface/stable-diffusion-v1-4', use_auth_token=True)
# cpu会很慢所以最好在GPU上运行，大概需要10G显存
pipe.to('cuda:0')

输入一句话，直接调用这个类，就可以生成了，生成的图片是PIL格式，可以直接保存。

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt, guidance_scale=7.5)["sample"][0]
image.save("test_1.png")

然后看一下这个类调用方法可以传入的参数都有什么：

help(pipe.__call__)
# __call__(prompt: Union[str, List[str]], height: Union[int, NoneType] = 512, width: Union[int, NoneType] = 512, num_inference_steps: Union[int, NoneType] = 50, guidance_scale: Union[float, NoneType] = 7.5, eta: Union[float, NoneType] = 0.0, generator: Union[torch._C.Generator, NoneType] = None, output_type: Union[str, NoneType] = 'pil', **kwargs) 

查看官方文档可知：

参数	含义	默认值
height	生成图片的高度	512
width	生成图片的宽度	512
num_inference_steps	预测步数	50
guidance_scale	指导度	7.5
generator	生成器	None
output_type	输出的类型	pil

其中，预测的步数，一般来说步数越大，图片效果越好，但是耗时就越长（调用的时候那个tqdm条就是步数）；
guidance_scale，用来控制生成的一个参数，暂时不太了解，官方说设置为7.5-8效果最好。感兴趣的话可以参考：https://arxiv.org/abs/2207.12598

关于生成器参数，主要可以用来生成VAE模型的初始潜在噪声，由于VAE的初始化是采样出来的，具有随机性，所以如果想确保生成的图片一样的话，可以设置seed：

import torch

generator = torch.Generator("cuda").manual_seed(1024)
image = pipe(prompt, generator=generator)["sample"][0]

本文就先介绍到这里，后续如果有更多好玩的text-to-image模型，可能会继续介绍。