2808

2b/config.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:bca9f7e0281e454233618bc1bae900d4d67e2f7706d604cbe026d754afc9b317
-size 1777

2b/diffusion_pytorch_model.safetensors

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:a92d7e036f0127b0be424dafe24e1aef3aae84fb411f61a525efbb41f712a5e7
-size 7993399544

micro/config.json

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:18891ea8f81c705422b12d7575493f5abb949d60f2814a989a436fde65e84c82
+oid sha256:6c41005eb2fa8b69648ec72d7cbcae0a4a6c3a63e8df9f79a2a417b3c585b210
 size 1873

micro/diffusion_pytorch_model.fp16.safetensors

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:a60767940a359caea48ee976ca37edf17916c05b4924238690ab10beae663833
-size 1964968816

micro/diffusion_pytorch_model.safetensors

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:39f0ed5b02f53bf873b8fd0aaebf67cf589300cb2e0b3a5aecc62a0212a6e99d
+oid sha256:cb07de5296dcb2ff173cf5c6baad037721b2212f96b990dbc93491005dd3092d
 size 3929714960

sdxl/config.json

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:1fc6f3f339d56f6e5fc44b2b62cd0ceb46616137961a105f2579298631328f21
-size 1768

sdxl/diffusion_pytorch_model.safetensors

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:f14e079e3164d58155294204b475f1782d48e4364a1487000a28b0a16e6a281f
-size 3944400016

test.ipynb

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:6a2ebd726ffc5d250ecf6e9807f925637165df36dcd29e62342bc4378d6e13d0
-size 5706983
+oid sha256:e0e7fea8d086cfaf3a2a88eee3c2a63239db6ea6eec6ebb2e0d46d4d3ca81597
+size 5995904

train-Copy1.py

@@ -1,1008 +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 torch.utils.data.distributed import DistributedSampler
-from torch.optim.lr_scheduler import LambdaLR
-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
-import torch.nn.functional as F
-
-# --------------------------- Параметры ---------------------------
-ds_path = "datasets/576"
-project = "unet"
-batch_size = 50
-base_learning_rate = 9e-6
-min_learning_rate = 8e-6
-num_epochs = 5
-# samples/save per epoch
-sample_interval_share = 5
-use_wandb = True
-save_model = True
-use_decay = True
-fbp = False # fused backward pass
-optimizer_type = "adam8bit"
-torch_compile = False
-unet_gradient = True
-clip_sample = False #Scheduler
-fixed_seed = False
-shuffle = True
-dispersive_loss = True
-torch.backends.cuda.matmul.allow_tf32 = True
-torch.backends.cudnn.allow_tf32 = True
-torch.backends.cuda.enable_mem_efficient_sdp(False)
-dtype = torch.float32
-save_barrier = 1.03
-dispersive_temperature=0.5
-dispersive_weight=0.05
-percentile_clipping = 90 # 8bit optim
-steps_offset = 1 # Scheduler
-limit = 0
-checkpoints_folder = ""
-mixed_precision = "fp16"
-accelerator = Accelerator(mixed_precision=mixed_precision)
-device = accelerator.device
-
-# Параметры для диффузии
-n_diffusion_steps = 50
-samples_to_generate = 12
-guidance_scale = 5
-
-# 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"))
-if fixed_seed:
-    torch.manual_seed(seed)
-    np.random.seed(seed)
-    random.seed(seed)
-    if torch.cuda.is_available():
-        torch.cuda.manual_seed_all(seed)
-
-# --------------------------- Параметры LoRA ---------------------------
-# pip install peft
-lora_name = "" #"nusha"  # Имя для сохранения/загрузки LoRA адаптеров
-lora_rank = 32   # Ранг LoRA (чем меньше, тем компактнее модель)
-lora_alpha = 64  # Альфа параметр LoRA, определяющий масштаб
-
-print("init")
-
-class AccelerateDispersiveLoss:
-    def __init__(self, accelerator, temperature=0.5, weight=0.5):
-        self.accelerator = accelerator
-        self.temperature = temperature
-        self.weight = weight
-        self.activations = []
-        self.hooks = []
-    
-    def register_hooks(self, model, target_layer="down_blocks.0"):
-        unwrapped_model = self.accelerator.unwrap_model(model)
-        print("=== Поиск слоев в unwrapped модели ===")
-        for name, module in unwrapped_model.named_modules():
-            if target_layer in name:
-                hook = module.register_forward_hook(self.hook_fn)
-                self.hooks.append(hook)
-                print(f"✅ Хук зарегистрирован на: {name}")
-                break
-    
-    def hook_fn(self, module, input, output):
-        
-        if isinstance(output, tuple):
-            activation = output[0]
-        else:
-            activation = output
-            
-        if len(activation.shape) > 2:
-            activation = activation.view(activation.shape[0], -1)
-            
-        self.activations.append(activation.detach())
-        
-    def compute_dispersive_loss(self):
-            if not self.activations:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            local_activations = self.activations[-1].float()
-            
-            batch_size = local_activations.shape[0]
-            if batch_size < 2:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            # Нормализация и вычисление loss
-            sf = local_activations / torch.norm(local_activations, dim=1, keepdim=True)
-            distance = torch.nn.functional.pdist(sf.float(), p=2) ** 2
-            exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
-            dispersive_loss = torch.log(torch.mean(exp_neg_dist))
-            
-            # ВАЖНО: он отриц и должен падать
-            return dispersive_loss
-    
-    def compute_dispersive_loss2(self):
-        # Если нет активаций, возвращаем 0
-        if not self.activations:
-            return torch.tensor(0.0, device=self.accelerator.device, requires_grad=True)
-        
-        # Работаем только с локальными активациями главного процесса
-        activations = self.activations[-1].float()
-        
-        batch_size = activations.shape[0]
-        if batch_size < 2:
-            return torch.tensor(0.0, device=self.accelerator.device, requires_grad=True)
-        
-        # Нормализация
-        norm = torch.norm(activations, dim=1, keepdim=True).clamp(min=1e-12)
-        sf = activations / norm
-        
-        # Вычисляем расстояния
-        distance = torch.nn.functional.pdist(sf, p=2)
-        distance = distance.clamp(min=1e-12)
-        distance_squared = distance ** 2
-        
-        # Вычисляем loss с клиппингом для стабильности
-        exp_neg_dist = torch.exp((-distance_squared / self.temperature).clamp(min=-20, max=20))
-        exp_neg_dist = exp_neg_dist + 1e-12
-        
-        mean_exp = torch.mean(exp_neg_dist)
-        dispersive_loss = torch.log(mean_exp.clamp(min=1e-12))
-        
-        return dispersive_loss
-    
-    def clear_activations(self):
-        self.activations.clear()
-    
-    def remove_hooks(self):
-        for hook in self.hooks:
-            hook.remove()
-        self.hooks.clear()
-            
-class AccelerateDispersiveLoss2:
-    def __init__(self, accelerator, temperature=0.5, weight=0.5):
-        self.accelerator = accelerator
-        self.temperature = temperature
-        self.weight = weight
-        self.activations = []
-        self.hooks = []
-    
-    def register_hooks(self, model, target_layer="down_blocks.0"):
-        # Получаем "чистую" модель без DDP wrapper'а
-        unwrapped_model = self.accelerator.unwrap_model(model)
-        
-        print("=== Поиск слоев в unwrapped модели ===")
-        for name, module in unwrapped_model.named_modules():
-            if target_layer in name:
-                hook = module.register_forward_hook(self.hook_fn)
-                self.hooks.append(hook)
-                print(f"✅ Хук зарегистрирован на: {name}")
-                break
-    
-    def hook_fn(self, module, input, output):
-        if isinstance(output, tuple):
-            activation = output[0]
-        else:
-            activation = output
-            
-        if len(activation.shape) > 2:
-            activation = activation.view(activation.shape[0], -1)
-            
-        self.activations.append(activation.detach())
-
-    def compute_dispersive_loss_fix(self):
-        if not self.activations:
-            return torch.tensor(0.0, requires_grad=True)
-        
-        local_activations = self.activations[-1]
-        
-        # Собираем активации со всех GPU
-        if self.accelerator.num_processes > 1:
-            gathered_activations = self.accelerator.gather(local_activations)
-        else:
-            gathered_activations = local_activations
-        
-        batch_size = gathered_activations.shape[0]
-        if batch_size < 2:
-            return torch.tensor(0.0, requires_grad=True)
-        
-        # Переводим в float32 для стабильности
-        gathered_activations = gathered_activations.float()
-        
-        # Нормализация с eps для стабильности
-        norm = torch.norm(gathered_activations, dim=1, keepdim=True).clamp(min=1e-12)
-        sf = gathered_activations / norm
-        
-        # Вычисляем расстояния
-        distance = torch.nn.functional.pdist(sf, p=2)
-        distance = distance.clamp(min=1e-12)  # избегаем слишком маленьких значений
-        distance_squared = distance ** 2
-        
-        # Экспонента с клиппингом
-        exp_neg_dist = torch.exp((-distance_squared / self.temperature).clamp(min=-20, max=20))
-        exp_neg_dist = exp_neg_dist + 1e-12  # избегаем нулей
-        
-        # Среднее и лог
-        mean_exp = torch.mean(exp_neg_dist)
-        dispersive_loss = torch.log(mean_exp.clamp(min=1e-12))
-    
-        return dispersive_loss
-    
-    def compute_dispersive_loss(self):
-        if not self.activations:
-            return torch.tensor(0.0, requires_grad=True)
-        
-        local_activations = self.activations[-1].float()
-        
-        # Собираем активации со всех GPU
-        if self.accelerator.num_processes > 1:
-            gathered_activations = self.accelerator.gather(local_activations)
-        else:
-            gathered_activations = local_activations
-        
-        batch_size = gathered_activations.shape[0]
-        if batch_size < 2:
-            return torch.tensor(0.0, requires_grad=True)
-        
-        # Нормализация и вычисление loss
-        sf = gathered_activations / torch.norm(gathered_activations, dim=1, keepdim=True)
-        sf = sf.float() 
-        distance = torch.nn.functional.pdist(sf, p=2) ** 2
-        exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
-        dispersive_loss = torch.log(torch.mean(exp_neg_dist))
-        
-        # ВАЖНО: он отриц и должен падать
-        return dispersive_loss
-
-    
-    def compute_dispersive_loss_single(self):
-        if not self.activations:
-            return torch.tensor(0.0, requires_grad=True)
-        
-        local_activations = self.activations[-1]  # Активации с текущего GPU
-        
-        # Собираем активации со всех GPU
-        if self.accelerator.num_processes > 1:
-            # Используем accelerate для сбора
-            gathered_activations = self.accelerator.gather(local_activations)
-        else:
-            gathered_activations = local_activations
-        
-        # На главном процессе вычисляем loss
-        if self.accelerator.is_main_process:
-            batch_size = gathered_activations.shape[0]
-            if batch_size < 2:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            # Нормализация и вычисление loss
-            sf = gathered_activations / torch.norm(gathered_activations, dim=1, keepdim=True)
-            distance = torch.nn.functional.pdist(sf, p=2) ** 2
-            exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
-            dispersive_loss = torch.log(torch.mean(exp_neg_dist))
-            
-            return dispersive_loss
-        else:
-            # На не-главных процессах возвращаем 0
-            return torch.tensor(0.0, requires_grad=True)
-    
-    def clear_activations(self):
-        self.activations.clear()
-    
-    def remove_hooks(self):
-        for hook in self.hooks:
-            hook.remove()
-        self.hooks.clear()
-
-
-# --------------------------- 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,
-        "fbp": fbp,
-        "optimizer_type": optimizer_type,
-    })
-
-# Включение Flash Attention 2/SDPA
-torch.backends.cuda.enable_flash_sdp(True)
-# --------------------------- Инициализация Accelerator --------------------
-gen = torch.Generator(device=device)
-gen.manual_seed(seed)
-
-# --------------------------- Загрузка моделей ---------------------------
-# VAE загружается на CPU для экономии GPU-памяти
-vae = AutoencoderKL.from_pretrained("vae", variant="fp16").to("cpu").eval()
-
-# 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
-    clip_sample = clip_sample,
-    steps_offset = steps_offset
-)
-
-
-class DistributedResolutionBatchSampler(Sampler):
-    def __init__(self, dataset, batch_size, num_replicas, rank, shuffle=True, drop_last=True):
-        self.dataset = dataset
-        self.batch_size = max(1, batch_size // num_replicas)
-        self.num_replicas = num_replicas
-        self.rank = rank
-        self.shuffle = shuffle
-        self.drop_last = drop_last
-        self.epoch = 0
-        
-        # Используем numpy для ускорения
-        try:
-            widths = np.array(dataset["width"])
-            heights = np.array(dataset["height"])
-        except KeyError:
-            widths = np.zeros(len(dataset))
-            heights = np.zeros(len(dataset))
-        
-        # Создаем уникальные ключи для размеров
-        self.size_keys = np.unique(np.stack([widths, heights], axis=1), axis=0)
-        
-        # Группируем индексы по размерам используя numpy
-        self.size_groups = {}
-        for w, h in self.size_keys:
-            mask = (widths == w) & (heights == h)
-            self.size_groups[(w, h)] = np.where(mask)[0]
-            
-        # Предварительно вычисляем количество полных батчей для каждой группы
-        self.group_num_batches = {}
-        total_batches = 0
-        for size, indices in self.size_groups.items():
-            num_full_batches = len(indices) // (self.batch_size * self.num_replicas)
-            self.group_num_batches[size] = num_full_batches
-            total_batches += num_full_batches
-            
-        # Округляем до числа, делящегося на num_replicas
-        self.num_batches = (total_batches // self.num_replicas) * self.num_replicas
-        
-    def __iter__(self):
-        # print(f"Rank {self.rank}: Starting iteration")
-        # Очищаем CUDA кэш перед формированием новых батчей
-        if torch.cuda.is_available():
-            torch.cuda.empty_cache()
-        all_batches = []
-        rng = np.random.RandomState(self.epoch)
-        
-        for size, indices in self.size_groups.items():
-            # print(f"Rank {self.rank}: Processing size {size}, {len(indices)} samples")
-            indices = indices.copy()
-            if self.shuffle:
-                rng.shuffle(indices)
-            
-            num_full_batches = self.group_num_batches[size]
-            if num_full_batches == 0:
-                continue
-                
-            # Берем только индексы для полных батчей
-            valid_indices = indices[:num_full_batches * self.batch_size * self.num_replicas]
-            
-            # Reshape для быстрого разделения на батчи
-            batches = valid_indices.reshape(-1, self.batch_size * self.num_replicas)
-            
-            # Выбираем часть для текущего GPU
-            start_idx = self.rank * self.batch_size
-            end_idx = start_idx + self.batch_size
-            gpu_batches = batches[:, start_idx:end_idx]
-            
-            all_batches.extend(gpu_batches)
-        
-        if self.shuffle:
-            rng.shuffle(all_batches)
-
-        # Синхронизируем все процессы после формирования батчей
-        accelerator.wait_for_everyone()
-        # print(f"Rank {self.rank}: Created {len(all_batches)} batches")
-        return iter(all_batches)
-
-    def __len__(self):
-        return self.num_batches 
-
-    def set_epoch(self, epoch):
-        self.epoch = epoch
-
-# 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])).to(device=device,dtype=dtype)
-        embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data])).to(device,dtype=dtype)
-        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(ds_path).select(range(limit))
-else:
-    dataset = load_from_disk(ds_path)
-
-def collate_fn_simple(batch):
-    # Преобразуем список в тензоры и перемещаем на девайс
-    latents = torch.tensor(np.array([item["vae"] for item in batch])).to(device,dtype=dtype)
-    embeddings = torch.tensor(np.array([item["embeddings"] for item in batch])).to(device,dtype=dtype)
-    return latents, embeddings
-
-def collate_fn(batch):
-    if not batch:
-        return [], []
-
-    # Берем эталонную форму
-    ref_vae_shape = np.array(batch[0]["vae"]).shape
-    ref_embed_shape = np.array(batch[0]["embeddings"]).shape
-
-    # Фильтруем
-    valid_latents = []
-    valid_embeddings = []
-    for item in batch:
-        if (np.array(item["vae"]).shape == ref_vae_shape and 
-            np.array(item["embeddings"]).shape == ref_embed_shape):
-            valid_latents.append(item["vae"])
-            valid_embeddings.append(item["embeddings"])
-
-    # Создаем тензоры
-    latents = torch.tensor(np.array(valid_latents)).to(device,dtype=dtype)
-    embeddings = torch.tensor(np.array(valid_embeddings)).to(device,dtype=dtype)
-
-    return latents, embeddings
-
-# Создаем ResolutionBatchSampler на основе индексов от DistributedSampler
-batch_sampler = DistributedResolutionBatchSampler(
-        dataset=dataset,
-        batch_size=batch_size,
-        num_replicas=accelerator.num_processes,
-        rank=accelerator.process_index,
-        shuffle=shuffle
-    )
-
-# Создаем DataLoader
-dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn_simple)
-
-print("Total samples",len(dataloader))
-dataloader = accelerator.prepare(dataloader)
-
-# 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)
-    #if dtype == torch.float32:
-    unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device=device,dtype=dtype)
-    #else:
-    #unet = UNet2DConditionModel.from_pretrained(latest_checkpoint, variant="fp16").to(device=device,dtype=dtype)
-    if unet_gradient:
-        unet.enable_gradient_checkpointing()
-    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
-    try:
-        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
-    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 hasattr(torch.backends.cuda, "flash_sdp_enabled"):
-        print(f"torch.backends.cuda.flash_sdp_enabled(): {torch.backends.cuda.flash_sdp_enabled()}")
-    if hasattr(torch.backends.cuda, "mem_efficient_sdp_enabled"):
-        print(f"torch.backends.cuda.mem_efficient_sdp_enabled(): {torch.backends.cuda.mem_efficient_sdp_enabled()}")
-    if hasattr(torch.nn.functional, "get_flash_attention_available"):
-         print(f"torch.nn.functional.get_flash_attention_available(): {torch.nn.functional.get_flash_attention_available()}")
-   
-    # Регистрируем хук на модел
-    if dispersive_loss:
-        dispersive_hook = AccelerateDispersiveLoss(
-            accelerator=accelerator,
-            temperature=dispersive_temperature,
-            weight=dispersive_weight
-        )
-    
-if torch_compile:
-    print("compiling")
-    torch.set_float32_matmul_precision('high')
-    unet = torch.compile(unet)#, mode="reduce-overhead", fullgraph=True)
-    print("compiling - ok")
-
-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"],
-    )
-    unet.add_adapter(lora_config)
-
-    # 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:,}")
-
-    # 6. Путь для сохранения
-    lora_save_path = os.path.join("lora", lora_name)
-    os.makedirs(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)
-            # SDXL must be compatible
-            from diffusers import StableDiffusionXLPipeline
-            StableDiffusionXLPipeline.save_lora_weights(lora_save_path, lora_state_dict)
-
-# --------------------------- Оптимизатор ---------------------------
-# Определяем параметры для оптимизации
-#unet = torch.compile(unet)
-if lora_name:
-    # Если используется LoRA, оптимизируем только параметры LoRA
-    trainable_params = [p for p in unet.parameters() if p.requires_grad]
-else:
-    # Иначе оптимизируем все параметры
-    if fbp:
-        trainable_params = list(unet.parameters())
-
-def create_optimizer(name, params):
-    if name == "adam8bit":
-        return bnb.optim.AdamW8bit(
-            params, lr=base_learning_rate, betas=(0.9, 0.97), eps=1e-5, weight_decay=0.001,
-            percentile_clipping=percentile_clipping
-        )
-    elif name == "adam":
-        return torch.optim.AdamW(
-            params, lr=base_learning_rate, betas=(0.9, 0.999), eps=1e-8, weight_decay=0.01
-        )
-    elif name == "lion8bit":
-        return bnb.optim.Lion8bit(
-            params, lr=base_learning_rate, betas=(0.9, 0.97), weight_decay=0.01,
-            percentile_clipping=percentile_clipping
-        )
-    elif name == "adafactor":
-        from transformers import Adafactor
-        return Adafactor(
-            params, lr=base_learning_rate, scale_parameter=True, relative_step=False,
-            warmup_init=False, eps=(1e-30, 1e-3), clip_threshold=1.0,
-            beta1=0.9, weight_decay=0.01
-        )
-    else:
-        raise ValueError(f"Unknown optimizer: {name}")
-
-if fbp:
-    # Создаем отдельный оптимизатор для каждого параметра
-    optimizer_dict = {p: create_optimizer(optimizer_type, [p]) for p in trainable_params}
-    
-    def optimizer_hook(param):
-        optimizer_dict[param].step()
-        optimizer_dict[param].zero_grad(set_to_none=True)
-    
-    for param in trainable_params:
-        param.register_post_accumulate_grad_hook(optimizer_hook)
-    
-    unet, optimizer = accelerator.prepare(unet, optimizer_dict)
-else:
-    optimizer = create_optimizer(optimizer_type, unet.parameters())
-    
-    def lr_schedule(step):
-        x = step / (total_training_steps * world_size)
-        warmup = 0.05
-        
-        if not use_decay:
-            return base_learning_rate
-        if x < warmup:
-            return min_learning_rate + (base_learning_rate - min_learning_rate) * (x / warmup)
-        
-        decay_ratio = (x - warmup) / (1 - warmup)
-        return min_learning_rate + 0.5 * (base_learning_rate - min_learning_rate) * \
-               (1 + math.cos(math.pi * decay_ratio))
-    
-    lr_scheduler = LambdaLR(optimizer, lambda step: lr_schedule(step) / base_learning_rate)
-    unet, optimizer, lr_scheduler = accelerator.prepare(unet, optimizer, lr_scheduler)
-
-# Регистрация хуков ПОСЛЕ prepare
-if dispersive_loss:
-    dispersive_hook.register_hooks(unet, "down_blocks.2")
-
-# --------------------------- Фиксированные семплы для генерации ---------------------------
-# Примеры фиксированных семплов по размерам
-fixed_samples = get_fixed_samples_by_resolution(dataset)
-
-@torch.compiler.disable()
-@torch.no_grad()
-def generate_and_save_samples(fixed_samples_cpu, step):
-    """
-    Генерирует семплы для каждого из разрешений и сохраняет их.
-    
-    Args:
-        fixed_samples_cpu: Словарь, где ключи - размеры (width, height), 
-                           а значения - кортежи (latents, embeddings, text) на CPU.
-        step: Текущий шаг обучения
-    """
-    original_model = None # Инициализируем, чтобы finally не ругался
-    try:
-
-        original_model = accelerator.unwrap_model(unet).eval()
-
-        vae.to(device=device, dtype=dtype)
-        vae.eval()
-
-        scheduler.set_timesteps(n_diffusion_steps)
-        
-        all_generated_images = []
-        all_captions = [] 
-        
-        for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples_cpu.items():
-            width, height = size
-
-            sample_latents = sample_latents.to(dtype=dtype)
-            sample_text_embeddings = sample_text_embeddings.to(dtype=dtype)
-
-            # Инициализируем латенты случайным шумом
-            # sample_latents уже в dtype, так что noise будет создан в dtype
-            noise = torch.randn(
-                sample_latents.shape, # Используем форму от sample_latents, которые теперь на GPU и fp16
-                generator=gen,
-                device=device,
-                dtype=sample_latents.dtype
-            )
-            current_latents = noise.clone()
-            
-            # Подготовка текстовых эмбеддингов для guidance
-            if guidance_scale > 0:
-                # empty_embeddings должны быть того же типа и на том же устройстве
-                empty_embeddings = torch.zeros_like(sample_text_embeddings, dtype=sample_text_embeddings.dtype, device=device)
-                text_embeddings_batch = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
-            else:
-                text_embeddings_batch = sample_text_embeddings
-            
-            for t in scheduler.timesteps:
-                t_batch = t.repeat(current_latents.shape[0]).to(device) # Убедимся, что t на устройстве
-
-                if guidance_scale > 0:
-                    latent_model_input = torch.cat([current_latents] * 2)
-                else:
-                    latent_model_input = current_latents
-                
-                latent_model_input_scaled = scheduler.scale_model_input(latent_model_input, t_batch)
-                
-                # Предсказание шума (UNet)
-                noise_pred = original_model(latent_model_input_scaled, t_batch, text_embeddings_batch).sample                   
-                
-                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)
-
-                current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample
-
-            #print(f"current_latents Min: {current_latents.min()} Max: {current_latents.max()}")
-            # Декодирование через VAE
-            latent_for_vae = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
-            decoded = vae.decode(latent_for_vae).sample
-            
-            # Преобразуем тензоры в PIL-изображения
-            # Для математики с изображением (нормализация) лучше перейти в fp32
-            decoded_fp32 = decoded.to(torch.float32)
-            for img_idx, img_tensor in enumerate(decoded_fp32):
-                img = (img_tensor / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
-                # If NaNs or infs are present, print them
-                if np.isnan(img).any():
-                    print("NaNs found, saving stoped! Step:", step)
-                    save_model = False
-                pil_img = Image.fromarray((img * 255).astype("uint8"))
-                
-                max_w_overall = max(s[0] for s in fixed_samples_cpu.keys())
-                max_h_overall = max(s[1] for s in fixed_samples_cpu.keys())
-                max_w_overall = max(255, max_w_overall)
-                max_h_overall = max(255, max_h_overall)
-            
-                padded_img = ImageOps.pad(pil_img, (max_w_overall, max_h_overall), 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)
-                
-                sample_path = f"{generated_folder}/{project}_{width}x{height}_{img_idx}.jpg"
-                pil_img.save(sample_path, "JPEG", quality=96)
-        
-        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:        
-        vae.to("cpu") # Перемещаем VAE обратно на CPU
-        # Очистка переменных, которые являются тензорами и были созданы в функции
-        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)
-accelerator.wait_for_everyone()
-
-# Модифицируем функцию сохранения модели для поддержки LoRA
-def save_checkpoint(unet,variant=""):
-    if accelerator.is_main_process:
-        if lora_name:
-            # Сохраняем только LoRA адаптеры
-            save_lora_checkpoint(unet)
-        else:
-            # Сохраняем полную модель
-            if variant!="":
-                accelerator.unwrap_model(unet.to(dtype=torch.float16)).save_pretrained(os.path.join(checkpoints_folder, f"{project}"),variant=variant)
-            else:
-                accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
-            unet = unet.to(dtype=dtype)
-
-# --------------------------- Тренировочный цикл ---------------------------
-# Для логирования среднего лосса каждые % эпохи
-if accelerator.is_main_process:
-    print(f"Total steps per GPU: {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)
-min_loss = 1.
-
-# Начинаем с указанной эпохи (полезно при возобновлении)
-for epoch in range(start_epoch, start_epoch + num_epochs):
-    batch_losses = []
-    batch_tlosses = []
-    batch_grads = []
-    #unet = unet.to(dtype = dtype)
-    batch_sampler.set_epoch(epoch)
-    accelerator.wait_for_everyone()
-    unet.train()
-    print("epoch:",epoch)
-    for step, (latents, embeddings) in enumerate(dataloader):
-        with accelerator.accumulate(unet):
-            if save_model == False and step == 5 :
-                used_gb = torch.cuda.max_memory_allocated() / 1024**3
-                print(f"Шаг {step}: {used_gb:.2f} GB")
-            
-            # Forward pass 
-            noise = torch.randn_like(latents, dtype=latents.dtype)
-            
-            timesteps = torch.randint(steps_offset, scheduler.config.num_train_timesteps, 
-                (latents.shape[0],), device=device).long()
-                
-            # Добавляем шум к латентам
-            noisy_latents = scheduler.add_noise(latents, noise, timesteps)
-
-            # Очищаем активации перед forward pass
-            if dispersive_loss:
-                dispersive_hook.clear_activations()
-        
-            # Используем целевое значение
-            model_pred = unet(noisy_latents, timesteps, embeddings).sample
-            target_pred = scheduler.get_velocity(latents, noise, timesteps)
-
-            # Считаем лосс
-            loss = torch.nn.functional.mse_loss(model_pred.float(), target_pred.float())
-
-            # Dispersive Loss
-            #Идентичные векторы: Loss = -0.0000
-            #Ортогональные векторы: Loss = -3.9995
-            if dispersive_loss:
-                with torch.amp.autocast('cuda', enabled=False):
-                    dispersive_loss = dispersive_hook.weight * dispersive_hook.compute_dispersive_loss()
-                    if torch.isnan(dispersive_loss) or torch.isinf(dispersive_loss):
-                        print(f"Rank {accelerator.process_index}: Found nan/inf in dispersive_loss: {total_loss}")
-
-            # Итоговый loss
-            # dispersive_loss должен падать и тотал падать - поэтому плюс
-            total_loss = loss + dispersive_loss
-
-            # Проверяем на nan/inf перед backward
-            if torch.isnan(loss) or torch.isinf(loss):
-                print(f"Rank {accelerator.process_index}: Found nan/inf in loss: {loss}")
-                save_model = False
-                break
-            
-            if (global_step % 100 == 0) or (global_step % sample_interval == 0):
-                accelerator.wait_for_everyone()
-                
-            # Делаем backward через Accelerator    
-            accelerator.backward(total_loss)
-
-            if (global_step % 100 == 0) or (global_step % sample_interval == 0):
-                accelerator.wait_for_everyone()
-                
-            grad = 0.0
-            if not fbp:
-                if accelerator.sync_gradients:
-                    with torch.amp.autocast('cuda', enabled=False):
-                        grad = accelerator.clip_grad_norm_(unet.parameters(), 0.25)
-                optimizer.step()
-                lr_scheduler.step()
-                optimizer.zero_grad(set_to_none=True)
-
-            # Увеличиваем счетчик глобальных шагов
-            global_step += 1
-            
-            # Обновляем прогресс-бар
-            progress_bar.update(1)
-            
-            # Логируем метрики
-            if accelerator.is_main_process:
-                if fbp:
-                    current_lr = base_learning_rate
-                else:
-                    current_lr = lr_scheduler.get_last_lr()[0]
-                batch_losses.append(loss.detach().item())
-                batch_tlosses.append(total_loss.detach().item())
-                batch_grads.append(grad)
-                
-                # Логируем в Wandb 
-                if use_wandb:
-                    wandb.log({
-                        "mse_loss": loss.detach().item(),
-                        "learning_rate": current_lr,
-                        "epoch": epoch,
-                        "grad": grad,
-                        "global_step": global_step,
-                        "dispersive_loss": dispersive_loss,
-                        "total_loss": total_loss
-                    })
-            
-                # Генерируем сэмплы с заданным интервалом
-                if global_step % sample_interval == 0:
-                    generate_and_save_samples(fixed_samples,global_step)
-                    
-                    # Выводим текущий лосс
-                    avg_loss = np.mean(batch_losses[-sample_interval:])
-                    avg_tloss = np.mean(batch_tlosses[-sample_interval:])
-                    avg_grad = torch.mean(torch.stack(batch_grads[-sample_interval:])).cpu().item()
-                    print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}")
-
-                    if save_model:
-                        print("saving:",avg_loss < min_loss*save_barrier)
-                        if avg_loss < min_loss*save_barrier:
-                            min_loss = avg_loss
-                            save_checkpoint(unet)
-                    if use_wandb:
-                        wandb.log({"interm_loss": avg_loss})
-                        wandb.log({"interm_totalloss": avg_tloss})
-                        wandb.log({"interm_grad": avg_grad})
-            
-    
-    # По окончании эпохи
-    #accelerator.wait_for_everyone() 
-    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 dispersive_loss:
-    dispersive_hook.remove_hooks()
-if accelerator.is_main_process:
-    print("Обучение завершено! Сохраняем финальную модель...")
-    # Сохраняем основную модель
-    if save_model:
-        save_checkpoint(unet,"fp16")
-    print("Готово!")
-
-    # randomize ode timesteps
-    # input_timestep = torch.round(
-    #     F.sigmoid(torch.randn((n,), device=latents.device)), decimals=3
-    # )
-
-#def create_distribution(num_points, device=None):
-#    # Диапазон вероятностей на оси x
-#    x = torch.linspace(0, 1, num_points, device=device)
-
-    # Пользовательская функция плотности вероятности
-#    probabilities = -7.7 * ((x - 0.5) ** 2) + 2
-
-    # Нормализация, чтобы сумма равнялась 1
-#    probabilities /= probabilities.sum()
-
-#    return x, probabilities
-
-#def sample_from_distribution(x, probabilities, n, device=None):
-    # Выбор индексов на основе распределения вероятностей
-#    indices = torch.multinomial(probabilities, n, replacement=True)
-#    return x[indices]
-
-# Пример использования
-#num_points = 1000  # Количество точек в диапазоне
-#n = latents.shape[0]  # Количество временных шагов для выборки
-#x, probabilities = create_distribution(num_points, device=latents.device)
-#timesteps = sample_from_distribution(x, probabilities, n, device=latents.device)
-
-# Преобразование в формат, подходящий для вашего кода
-#timesteps = (timesteps * (scheduler.config.num_train_timesteps - 1)).long()

train-Copy2.py

@@ -1,874 +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 torch.utils.data.distributed import DistributedSampler
-from torch.optim.lr_scheduler import LambdaLR
-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
-import torch.nn.functional as F
-
-# --------------------------- Параметры ---------------------------
-ds_path = "datasets/384"
-project = "micro"
-batch_size = 64
-base_learning_rate = 1e-4
-min_learning_rate = 5e-5
-num_epochs = 50
-# samples/save per epoch
-sample_interval_share = 10
-use_wandb = True
-save_model = True
-use_decay = True
-fbp = False # fused backward pass
-optimizer_type = "adam8bit"
-torch_compile = False
-unet_gradient = True
-clip_sample = False #Scheduler
-fixed_seed = False
-shuffle = True
-dispersive_loss_enabled = True
-torch.backends.cuda.matmul.allow_tf32 = True
-torch.backends.cudnn.allow_tf32 = True
-torch.backends.cuda.enable_mem_efficient_sdp(False)
-dtype = torch.float32
-save_barrier = 1.03
-warmup_percent = 0.01
-dispersive_temperature=0.5
-dispersive_weight= 0.05
-percentile_clipping = 95 # 8bit optim
-betta2 = 0.97
-eps = 1e-6
-clip_grad_norm = 1.0
-steps_offset = 0 # Scheduler
-limit = 0
-checkpoints_folder = ""
-mixed_precision = "no" #"fp16"
-gradient_accumulation_steps = 1
-accelerator = Accelerator(
-    mixed_precision=mixed_precision,
-    gradient_accumulation_steps=gradient_accumulation_steps
-)
-device = accelerator.device
-
-# Параметры для диффузии
-n_diffusion_steps = 50
-samples_to_generate = 12
-guidance_scale = 5
-
-# 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"))
-if fixed_seed:
-    torch.manual_seed(seed)
-    np.random.seed(seed)
-    random.seed(seed)
-    if torch.cuda.is_available():
-        torch.cuda.manual_seed_all(seed)
-
-# --------------------------- Параметры LoRA ---------------------------
-# pip install peft
-lora_name = "" #"nusha"  # Имя для сохранения/загрузки LoRA адаптеров
-lora_rank = 32   # Ранг LoRA (чем меньше, тем компактнее модель)
-lora_alpha = 64  # Альфа параметр LoRA, определяющий масштаб
-
-print("init")
-
-class AccelerateDispersiveLoss:
-    def __init__(self, accelerator, temperature=0.5, weight=0.5):
-        self.accelerator = accelerator
-        self.temperature = temperature
-        self.weight = weight
-        self.activations = []
-        self.hooks = []
-    
-    def register_hooks(self, model, target_layer="down_blocks.0"):
-        unwrapped_model = self.accelerator.unwrap_model(model)
-        print("=== Поиск слоев в unwrapped модели ===")
-        for name, module in unwrapped_model.named_modules():
-            if target_layer in name:
-                hook = module.register_forward_hook(self.hook_fn)
-                self.hooks.append(hook)
-                print(f"✅ Хук зарегистрирован на: {name}")
-                break
-    
-    def hook_fn(self, module, input, output):
-        
-        if isinstance(output, tuple):
-            activation = output[0]
-        else:
-            activation = output
-            
-        if len(activation.shape) > 2:
-            activation = activation.view(activation.shape[0], -1)
-            
-        self.activations.append(activation.detach())
-        
-    def compute_dispersive_loss(self):
-            if not self.activations:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            local_activations = self.activations[-1].float()
-            
-            batch_size = local_activations.shape[0]
-            if batch_size < 2:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            # Нормализация и вычисление loss
-            sf = local_activations / torch.norm(local_activations, dim=1, keepdim=True)
-            distance = torch.nn.functional.pdist(sf.float(), p=2) ** 2
-            exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
-            dispersive_loss = torch.log(torch.mean(exp_neg_dist))
-            
-            # ВАЖНО: он отриц и должен падать
-            return dispersive_loss
-    
-    def clear_activations(self):
-        self.activations.clear()
-    
-    def remove_hooks(self):
-        for hook in self.hooks:
-            hook.remove()
-        self.hooks.clear()
-
-
-
-# --------------------------- 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,
-        "fbp": fbp,
-        "optimizer_type": optimizer_type,
-    })
-
-# Включение Flash Attention 2/SDPA
-torch.backends.cuda.enable_flash_sdp(True)
-# --------------------------- Инициализация Accelerator --------------------
-gen = torch.Generator(device=device)
-gen.manual_seed(seed)
-
-# --------------------------- Загрузка моделей ---------------------------
-# VAE загружается на CPU для экономии GPU-памяти
-vae = AutoencoderKL.from_pretrained("vae", variant="fp16").to("cpu").eval()
-
-# 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
-    clip_sample = clip_sample,
-    steps_offset = steps_offset
-)
-
-
-class DistributedResolutionBatchSampler(Sampler):
-    def __init__(self, dataset, batch_size, num_replicas, rank, shuffle=True, drop_last=True):
-        self.dataset = dataset
-        self.batch_size = max(1, batch_size // num_replicas)
-        self.num_replicas = num_replicas
-        self.rank = rank
-        self.shuffle = shuffle
-        self.drop_last = drop_last
-        self.epoch = 0
-        
-        # Используем numpy для ускорения
-        try:
-            widths = np.array(dataset["width"])
-            heights = np.array(dataset["height"])
-        except KeyError:
-            widths = np.zeros(len(dataset))
-            heights = np.zeros(len(dataset))
-        
-        # Создаем уникальные ключи для размеров
-        self.size_keys = np.unique(np.stack([widths, heights], axis=1), axis=0)
-        
-        # Группируем индексы по размерам используя numpy
-        self.size_groups = {}
-        for w, h in self.size_keys:
-            mask = (widths == w) & (heights == h)
-            self.size_groups[(w, h)] = np.where(mask)[0]
-            
-        # Предварительно вычисляем количество полных батчей для каждой группы
-        self.group_num_batches = {}
-        total_batches = 0
-        for size, indices in self.size_groups.items():
-            num_full_batches = len(indices) // (self.batch_size * self.num_replicas)
-            self.group_num_batches[size] = num_full_batches
-            total_batches += num_full_batches
-            
-        # Округляем до числа, делящегося на num_replicas
-        self.num_batches = (total_batches // self.num_replicas) * self.num_replicas
-        
-    def __iter__(self):
-        # print(f"Rank {self.rank}: Starting iteration")
-        # Очищаем CUDA кэш перед формированием новых батчей
-        if torch.cuda.is_available():
-            torch.cuda.empty_cache()
-        all_batches = []
-        rng = np.random.RandomState(self.epoch)
-        
-        for size, indices in self.size_groups.items():
-            # print(f"Rank {self.rank}: Processing size {size}, {len(indices)} samples")
-            indices = indices.copy()
-            if self.shuffle:
-                rng.shuffle(indices)
-            
-            num_full_batches = self.group_num_batches[size]
-            if num_full_batches == 0:
-                continue
-                
-            # Берем только индексы для полных батчей
-            valid_indices = indices[:num_full_batches * self.batch_size * self.num_replicas]
-            
-            # Reshape для быстрого разделения на батчи
-            batches = valid_indices.reshape(-1, self.batch_size * self.num_replicas)
-            
-            # Выбираем часть для текущего GPU
-            start_idx = self.rank * self.batch_size
-            end_idx = start_idx + self.batch_size
-            gpu_batches = batches[:, start_idx:end_idx]
-            
-            all_batches.extend(gpu_batches)
-        
-        if self.shuffle:
-            rng.shuffle(all_batches)
-
-        # Синхронизируем все процессы после формирования батчей
-        accelerator.wait_for_everyone()
-        # print(f"Rank {self.rank}: Created {len(all_batches)} batches")
-        return iter(all_batches)
-
-    def __len__(self):
-        return self.num_batches 
-
-    def set_epoch(self, epoch):
-        self.epoch = epoch
-
-# 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])).to(device=device,dtype=dtype)
-        embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data])).to(device,dtype=dtype)
-        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(ds_path).select(range(limit))
-else:
-    dataset = load_from_disk(ds_path)
-
-def collate_fn_simple(batch):
-    # Преобразуем список в тензоры и перемещаем на девайс
-    latents = torch.tensor(np.array([item["vae"] for item in batch])).to(device,dtype=dtype)
-    embeddings = torch.tensor(np.array([item["embeddings"] for item in batch])).to(device,dtype=dtype)
-    return latents, embeddings
-
-def collate_fn(batch):
-    if not batch:
-        return [], []
-
-    # Берем эталонную форму
-    ref_vae_shape = np.array(batch[0]["vae"]).shape
-    ref_embed_shape = np.array(batch[0]["embeddings"]).shape
-
-    # Фильтруем
-    valid_latents = []
-    valid_embeddings = []
-    for item in batch:
-        if (np.array(item["vae"]).shape == ref_vae_shape and 
-            np.array(item["embeddings"]).shape == ref_embed_shape):
-            valid_latents.append(item["vae"])
-            valid_embeddings.append(item["embeddings"])
-
-    # Создаем тензоры
-    latents = torch.tensor(np.array(valid_latents)).to(device,dtype=dtype)
-    embeddings = torch.tensor(np.array(valid_embeddings)).to(device,dtype=dtype)
-
-    return latents, embeddings
-
-# Создаем ResolutionBatchSampler на основе индексов от DistributedSampler
-batch_sampler = DistributedResolutionBatchSampler(
-        dataset=dataset,
-        batch_size=batch_size,
-        num_replicas=accelerator.num_processes,
-        rank=accelerator.process_index,
-        shuffle=shuffle
-    )
-
-# Создаем DataLoader
-dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn_simple)
-
-print("Total samples",len(dataloader))
-dataloader = accelerator.prepare(dataloader)
-
-# 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)
-    #if dtype == torch.float32:
-    unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device=device,dtype=dtype)
-    #else:
-    #unet = UNet2DConditionModel.from_pretrained(latest_checkpoint, variant="fp16").to(device=device,dtype=dtype)
-    if unet_gradient:
-        unet.enable_gradient_checkpointing()
-    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
-    try:
-        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
-    except Exception as e:
-        print(f"Оши��ка при включении SDPA: {e}")
-        print("Попытка использовать enable_xformers_memory_efficient_attention.")
-        unet.set_use_memory_efficient_attention_xformers(True)
-
-    if hasattr(torch.backends.cuda, "flash_sdp_enabled"):
-        print(f"torch.backends.cuda.flash_sdp_enabled(): {torch.backends.cuda.flash_sdp_enabled()}")
-    if hasattr(torch.backends.cuda, "mem_efficient_sdp_enabled"):
-        print(f"torch.backends.cuda.mem_efficient_sdp_enabled(): {torch.backends.cuda.mem_efficient_sdp_enabled()}")
-    if hasattr(torch.nn.functional, "get_flash_attention_available"):
-         print(f"torch.nn.functional.get_flash_attention_available(): {torch.nn.functional.get_flash_attention_available()}")
-   
-    # Регистрируем хук на модел
-    if dispersive_loss_enabled:
-        dispersive_hook = AccelerateDispersiveLoss(
-            accelerator=accelerator,
-            temperature=dispersive_temperature,
-            weight=dispersive_weight
-        )
-    
-if torch_compile:
-    print("compiling")
-    torch.set_float32_matmul_precision('high')
-    unet = torch.compile(unet, mode="reduce-overhead", fullgraph=False)
-    print("compiling - ok")
-
-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"],
-    )
-    unet.add_adapter(lora_config)
-
-    # 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:,}")
-
-    # 6. Путь для сохранения
-    lora_save_path = os.path.join("lora", lora_name)
-    os.makedirs(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)
-            # SDXL must be compatible
-            from diffusers import StableDiffusionXLPipeline
-            StableDiffusionXLPipeline.save_lora_weights(lora_save_path, lora_state_dict)
-
-# --------------------------- Оптимизатор ---------------------------
-# Определяем параметры для оптимизации
-#unet = torch.compile(unet)
-if lora_name:
-    # Если используется LoRA, оптимизируем только параметры LoRA
-    trainable_params = [p for p in unet.parameters() if p.requires_grad]
-else:
-    # Иначе оптимизируем все параметры
-    if fbp:
-        trainable_params = list(unet.parameters())
-
-def create_optimizer(name, params):
-    if name == "adam8bit":
-        return bnb.optim.AdamW8bit(
-            params, lr=base_learning_rate, betas=(0.9, betta2), eps=eps, weight_decay=0.001,
-            percentile_clipping=percentile_clipping
-        )
-    elif name == "adam":
-        return torch.optim.AdamW(
-            params, lr=base_learning_rate, betas=(0.9, 0.999), eps=1e-8, weight_decay=0.01
-        )
-    elif name == "lion8bit":
-        return bnb.optim.Lion8bit(
-            params, lr=base_learning_rate, betas=(0.9, 0.97), weight_decay=0.01,
-            percentile_clipping=percentile_clipping
-        )
-    elif name == "adafactor":
-        from transformers import Adafactor
-        return Adafactor(
-            params, lr=base_learning_rate, scale_parameter=True, relative_step=False,
-            warmup_init=False, eps=(1e-30, 1e-3), clip_threshold=1.0,
-            beta1=0.9, weight_decay=0.01
-        )
-    else:
-        raise ValueError(f"Unknown optimizer: {name}")
-
-if fbp:
-    # Создаем отдельный оптимизатор для каждого параметра
-    optimizer_dict = {p: create_optimizer(optimizer_type, [p]) for p in trainable_params}
-    
-    def optimizer_hook(param):
-        optimizer_dict[param].step()
-        optimizer_dict[param].zero_grad(set_to_none=True)
-    
-    for param in trainable_params:
-        param.register_post_accumulate_grad_hook(optimizer_hook)
-    
-    unet, optimizer = accelerator.prepare(unet, optimizer_dict)
-else:
-    optimizer = create_optimizer(optimizer_type, unet.parameters())
-    
-    def lr_schedule(step):
-        x = step / (total_training_steps * world_size)
-        warmup = warmup_percent
-        
-        if not use_decay:
-            return base_learning_rate
-        if x < warmup:
-            return min_learning_rate + (base_learning_rate - min_learning_rate) * (x / warmup)
-        
-        decay_ratio = (x - warmup) / (1 - warmup)
-        return min_learning_rate + 0.5 * (base_learning_rate - min_learning_rate) * \
-               (1 + math.cos(math.pi * decay_ratio))
-    
-    lr_scheduler = LambdaLR(optimizer, lambda step: lr_schedule(step) / base_learning_rate)
-
-    num_params = sum(p.numel() for p in unet.parameters())
-    print(f"[rank {accelerator.process_index}] total params: {num_params}")
-    # Проверка на NaN/Inf
-    for name, param in unet.named_parameters():
-        if torch.isnan(param).any() or torch.isinf(param).any():
-            print(f"[rank {accelerator.process_index}] NaN/Inf in {name}")
-            # Опционально: заменить на нормальные значения
-            #param.data = torch.randn_like(param) * 0.01
-    unet, optimizer, lr_scheduler = accelerator.prepare(unet, optimizer, lr_scheduler)
-
-# Регистрация хуков ПОСЛЕ prepare
-if dispersive_loss_enabled:
-    dispersive_hook.register_hooks(unet, "down_blocks.2")
-
-# --------------------------- Фиксированные семплы для генерации ---------------------------
-# Примеры фиксированных семплов по размерам
-fixed_samples = get_fixed_samples_by_resolution(dataset)
-
-@torch.compiler.disable()
-@torch.no_grad()
-def generate_and_save_samples(fixed_samples_cpu, step):
-    """
-    Генерирует семплы для каждого из разрешений и сохраняет их.
-    
-    Args:
-        fixed_samples_cpu: Словарь, где ключи - размеры (width, height), 
-                           а значения - кортежи (latents, embeddings, text) на CPU.
-        step: Текущий шаг обучения
-    """
-    original_model = None # Инициализируем, чтобы finally не ругался
-    try:
-
-        original_model = accelerator.unwrap_model(unet).eval()
-
-        vae.to(device=device, dtype=dtype)
-        vae.eval()
-
-        scheduler.set_timesteps(n_diffusion_steps)
-        
-        all_generated_images = []
-        all_captions = [] 
-        
-        for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples_cpu.items():
-            width, height = size
-
-            sample_latents = sample_latents.to(dtype=dtype)
-            sample_text_embeddings = sample_text_embeddings.to(dtype=dtype)
-
-            # Инициализируем латенты случайным шумом
-            # sample_latents уже в dtype, так что noise будет создан в dtype
-            noise = torch.randn(
-                sample_latents.shape, # Используем форму от sample_latents, которые теперь на GPU и fp16
-                generator=gen,
-                device=device,
-                dtype=sample_latents.dtype
-            )
-            current_latents = noise.clone()
-            
-            # Подготовка текстовых эмбеддингов для guidance
-            if guidance_scale > 0:
-                # empty_embeddings должны быть того же типа и на том же устройстве
-                empty_embeddings = torch.zeros_like(sample_text_embeddings, dtype=sample_text_embeddings.dtype, device=device)
-                text_embeddings_batch = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
-            else:
-                text_embeddings_batch = sample_text_embeddings
-            
-            for t in scheduler.timesteps:
-                t_batch = t.repeat(current_latents.shape[0]).to(device) # Убедимся, что t на устройстве
-
-                if guidance_scale > 0:
-                    latent_model_input = torch.cat([current_latents] * 2)
-                else:
-                    latent_model_input = current_latents
-                
-                latent_model_input_scaled = scheduler.scale_model_input(latent_model_input, t_batch)
-                
-                # Предсказание шума (UNet)
-                noise_pred = original_model(latent_model_input_scaled, t_batch, text_embeddings_batch).sample                   
-                
-                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)
-
-                current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample
-
-            #print(f"current_latents Min: {current_latents.min()} Max: {current_latents.max()}")
-            # Декодирование через VAE
-            latent_for_vae = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
-            decoded = vae.decode(latent_for_vae).sample
-            
-            # Преобразуем тензоры в PIL-изображения
-            # Для математики с изображением (нормализация) лучше перейти в fp32
-            decoded_fp32 = decoded.to(torch.float32)
-            for img_idx, img_tensor in enumerate(decoded_fp32):
-                img = (img_tensor / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
-                # If NaNs or infs are present, print them
-                if np.isnan(img).any():
-                    print("NaNs found, saving stoped! Step:", step)
-                    save_model = False
-                pil_img = Image.fromarray((img * 255).astype("uint8"))
-                
-                max_w_overall = max(s[0] for s in fixed_samples_cpu.keys())
-                max_h_overall = max(s[1] for s in fixed_samples_cpu.keys())
-                max_w_overall = max(255, max_w_overall)
-                max_h_overall = max(255, max_h_overall)
-            
-                padded_img = ImageOps.pad(pil_img, (max_w_overall, max_h_overall), 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)
-                
-                sample_path = f"{generated_folder}/{project}_{width}x{height}_{img_idx}.jpg"
-                pil_img.save(sample_path, "JPEG", quality=96)
-        
-        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:        
-        vae.to("cpu") # Перемещаем VAE обратно на CPU
-        # Очистка переменных, которые являются тензорами и были созданы в функции
-        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)
-accelerator.wait_for_everyone()
-
-# Модифицируем функцию сохранения модели для поддержки LoRA
-def save_checkpoint(unet,variant=""):
-    if accelerator.is_main_process:
-        if lora_name:
-            # Сохраняем только LoRA адаптеры
-            save_lora_checkpoint(unet)
-        else:
-            # Сохраняем полную модель
-            if variant!="":
-                accelerator.unwrap_model(unet.to(dtype=torch.float16)).save_pretrained(os.path.join(checkpoints_folder, f"{project}"),variant=variant)
-            else:
-                accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
-            unet = unet.to(dtype=dtype)
-
-# --------------------------- Тренировочный цикл ---------------------------
-# Для логирования среднего лосса каждые % эпохи
-if accelerator.is_main_process:
-    print(f"Total steps per GPU: {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)
-min_loss = 1.
-
-# Начинаем с указанной эпохи (полезно при возобновлени��)
-for epoch in range(start_epoch, start_epoch + num_epochs):
-    batch_losses = []
-    batch_tlosses = []
-    batch_grads = []
-    #unet = unet.to(dtype = dtype)
-    batch_sampler.set_epoch(epoch)
-    accelerator.wait_for_everyone()
-    unet.train()
-    print("epoch:",epoch)
-    for step, (latents, embeddings) in enumerate(dataloader):
-        with accelerator.accumulate(unet):
-            if save_model == False and step == 5 :
-                used_gb = torch.cuda.max_memory_allocated() / 1024**3
-                print(f"Шаг {step}: {used_gb:.2f} GB")
-
-            # Forward pass 
-            noise = torch.randn_like(latents, dtype=latents.dtype)
-            
-            timesteps = torch.randint(steps_offset, scheduler.config.num_train_timesteps, 
-                (latents.shape[0],), device=device).long()
-                
-            # Добавляем шум к латентам
-            noisy_latents = scheduler.add_noise(latents, noise, timesteps)
-
-            # Очищаем активации перед forward pass
-            if dispersive_loss_enabled:
-                dispersive_hook.clear_activations()
-        
-            # Используем целевое значение
-            model_pred = unet(noisy_latents, timesteps, embeddings).sample
-            target_pred = scheduler.get_velocity(latents, noise, timesteps)
-
-            # Считаем лосс
-            loss = torch.nn.functional.mse_loss(model_pred.float(), target_pred.float())
-
-            # Dispersive Loss
-            #Идентичные векторы: Loss = -0.0000
-            #Ортогональные векторы: Loss = -3.9995
-            if dispersive_loss_enabled:
-                with torch.amp.autocast('cuda', enabled=False):
-                    dispersive_loss = dispersive_hook.weight * dispersive_hook.compute_dispersive_loss()
-                    if torch.isnan(dispersive_loss) or torch.isinf(dispersive_loss):
-                        print(f"Rank {accelerator.process_index}: Found nan/inf in dispersive_loss: {total_loss}")
-
-            # Итоговый loss
-            # dispersive_loss должен падать и тотал падать - поэтому плюс
-            if dispersive_loss_enabled:
-                total_loss = loss + dispersive_loss
-            else:
-                total_loss = loss
-
-            # Проверяем на nan/inf перед backward
-            if torch.isnan(loss) or torch.isinf(loss):
-                print(f"Rank {accelerator.process_index}: Found nan/inf in loss: {loss}")
-                save_model = False
-                break
-
-            if torch.isnan(total_loss) or torch.isinf(total_loss):
-                print(f"Rank {accelerator.process_index}: Found nan/inf in total_loss: {total_loss}")
-                print(f"Проблемный батч: step={step}, latents.shape={latents.shape}, embeddings.shape={embeddings.shape}")
-                continue
-            
-            if (global_step % 100 == 0) or (global_step % sample_interval == 0):
-                accelerator.wait_for_everyone()
-                
-            # Делаем backward через Accelerator    
-            accelerator.backward(total_loss)
-
-            if (global_step % 100 == 0) or (global_step % sample_interval == 0):
-                accelerator.wait_for_everyone()
-                
-            grad = torch.tensor(0.0, device=device)
-            if not fbp:
-                if accelerator.sync_gradients:
-                    with torch.amp.autocast('cuda', enabled=False):
-                        grad = accelerator.clip_grad_norm_(unet.parameters(), clip_grad_norm)
-                    optimizer.step()
-                    lr_scheduler.step()
-                    optimizer.zero_grad(set_to_none=True)
-
-            # Увеличиваем счетчик глобальных шагов
-            global_step += 1
-        
-            # Обновляем прогресс-бар
-            progress_bar.update(1)
-            
-            # Логируем метрики
-            if accelerator.is_main_process:
-                if fbp:
-                    current_lr = base_learning_rate
-                else:
-                    current_lr = lr_scheduler.get_last_lr()[0]
-                batch_losses.append(loss.detach().item())
-                batch_tlosses.append(total_loss.detach().item())
-                batch_grads.append(grad)
-                
-                # Логируем в Wandb 
-                if use_wandb and accelerator.sync_gradients:
-                    wandb.log({
-                        "mse_loss": loss.detach().item(),
-                        "learning_rate": current_lr,
-                        "epoch": epoch,
-                        "grad": grad,
-                        "global_step": global_step,
-                        **({"dispersive_loss": dispersive_loss} if dispersive_loss_enabled else {}),
-                        **({"total_loss": total_loss} if dispersive_loss_enabled else {})
-                    })
-            
-                # Генерируем сэмплы с заданным интервалом
-                if global_step % sample_interval == 0:
-                    generate_and_save_samples(fixed_samples,global_step)
-                    
-                    # Выводим текущий лосс
-                    avg_loss = np.mean(batch_losses[-sample_interval:])
-                    avg_tloss = np.mean(batch_tlosses[-sample_interval:])
-                    avg_grad = torch.mean(torch.stack(batch_grads[-sample_interval:])).cpu().item()
-                    print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}, grad: {avg_grad:.6f}")
-
-                    if save_model:
-                        print("saving:",avg_loss < min_loss*save_barrier)
-                        if avg_loss < min_loss*save_barrier:
-                            min_loss = avg_loss
-                            save_checkpoint(unet)
-                    if use_wandb:
-                        wandb.log({"interm_loss": avg_loss})
-                        wandb.log({"interm_grad": avg_grad})
-                        if dispersive_loss_enabled:
-                            wandb.log({"interm_totalloss": avg_tloss})
-
-    # По окончании эпохи
-    #accelerator.wait_for_everyone() 
-    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 dispersive_loss:
-    dispersive_hook.remove_hooks()
-if accelerator.is_main_process:
-    print("Обучение завершено! Сохраняем финальную модель...")
-    # Сохраняем основную модель
-    if save_model:
-        save_checkpoint(unet,"fp16")
-accelerator.free_memory()
-if torch.distributed.is_initialized():
-    torch.distributed.destroy_process_group()
-    
-print("Готово!")
-
-    # randomize ode timesteps
-    # input_timestep = torch.round(
-    #     F.sigmoid(torch.randn((n,), device=latents.device)), decimals=3
-    # )
-
-#def create_distribution(num_points, device=None):
-#    # Диапазон вероятностей на оси x
-#    x = torch.linspace(0, 1, num_points, device=device)
-
-    # Пользовательская функция плотности вероятности
-#    probabilities = -7.7 * ((x - 0.5) ** 2) + 2
-
-    # Нормализация, чтобы сумма равнялась 1
-#    probabilities /= probabilities.sum()
-
-#    return x, probabilities
-
-#def sample_from_distribution(x, probabilities, n, device=None):
-    # Выбор индексов на основе распределения вероятностей
-#    indices = torch.multinomial(probabilities, n, replacement=True)
-#    return x[indices]
-
-# Пример использования
-#num_points = 1000  # Количество точек в диапазоне
-#n = latents.shape[0]  # Количество временных шагов для выборки
-#x, probabilities = create_distribution(num_points, device=latents.device)
-#timesteps = sample_from_distribution(x, probabilities, n, device=latents.device)
-
-# Преобразование в формат, подходящий для вашего кода
-#timesteps = (timesteps * (scheduler.config.num_train_timesteps - 1)).long()

train.py

@@ -23,6 +23,7 @@ from diffusers.models.attention_processor import AttnProcessor2_0
 from datetime import datetime
 import bitsandbytes as bnb
 import torch.nn.functional as F
+from collections import deque
 
 # --------------------------- Параметры ---------------------------
 ds_path = "datasets/384"
@@ -43,7 +44,6 @@ unet_gradient = True
 clip_sample = False #Scheduler
 fixed_seed = False
 shuffle = True
-dispersive_loss_enabled = True
 torch.backends.cuda.matmul.allow_tf32 = True
 torch.backends.cudnn.allow_tf32 = True
 torch.backends.cuda.enable_mem_efficient_sdp(False)
@@ -86,14 +86,81 @@ if fixed_seed:
     if torch.cuda.is_available():
         torch.cuda.manual_seed_all(seed)
 
+# --- Пропорции лоссов и окно медианного нормирования (КОЭФ., не значения) ---
+# CHANGED: добавлен huber и dispersive в пропорции, суммы = 1.0
+loss_ratios = {
+    "mse":   0.50,
+    "mae":   0.25,
+    "huber": 0.20,
+    "dispersive": 0.05,
+}
+median_coeff_steps = 256  # за сколько шагов считать медианные коэффициенты
+
 # --------------------------- Параметры LoRA ---------------------------
-# pip install peft
-lora_name = "" #"nusha"  # Имя для сохранения/загрузки LoRA адаптеров
-lora_rank = 32   # Ранг LoRA (чем меньше, тем компактнее модель)
-lora_alpha = 64  # Альфа параметр LoRA, определяющий масштаб
+lora_name = "" 
+lora_rank = 32
+lora_alpha = 64
 
 print("init")
 
+# ---------------------------  вспомогательные функции ---------------------------
+def sample_timesteps_bias(
+    batch_size: int,
+    progress: float,           # [0..1]
+    num_train_timesteps: int,  # обычно 1000
+    steps_offset: int = 0,
+    device=None
+) -> torch.Tensor:
+    """
+    Возвращает псевдослучайные timesteps во всём диапазоне,
+    но с bias: на старте больше вероятности брать max (999),
+    к концу — больше вероятности брать min (0).
+
+    FIX: исправлена формула alpha/beta (раньше было перевёрнуто).
+    """
+    # Параметры Beta-распределения (FIX: alpha и beta поменяны местами по логике)
+    alpha = 1.0 + 4.0 * (1.0 - progress)  # при progress=0 -> alpha ~10 (сдвиг к 1.0)
+    beta  = 1.0 + 4.0 * progress          # при progress=0 -> beta ~1
+
+    samples = torch.distributions.Beta(alpha, beta).sample((batch_size,)).to(device)
+
+    max_idx = num_train_timesteps - 1 - steps_offset
+    timesteps = steps_offset + (samples * max_idx).long()
+    return timesteps
+
+# Нормализация лоссов по медианам: считаем КОЭФФИЦИЕНТЫ
+class MedianLossNormalizer:
+    def __init__(self, desired_ratios: dict, window_steps: int):
+        # нормируем доли на случай, если сумма != 1
+        s = sum(desired_ratios.values())
+        self.ratios = {k: (v / s) for k, v in desired_ratios.items()}
+        self.buffers = {k: deque(maxlen=window_steps) for k in self.ratios.keys()}
+        self.window = window_steps
+
+    def update_and_total(self, losses: dict):
+        """
+        losses: dict ключ->тензор (значения лоссов)
+        Поведение:
+          - буферим ABS(l) только для активных (ratio>0) лоссов
+          - coeff = ratio / median(abs(loss))
+          - total = sum(coeff * loss) по активным лоссам
+        CHANGED: буферим abs() — чтобы медиана была положительной и не ломала деление.
+        """
+        # буферим только активные лоссы
+        for k, v in losses.items():
+            if k in self.buffers and self.ratios.get(k, 0) > 0:
+                self.buffers[k].append(float(v.detach().abs().cpu()))
+
+        meds = {k: (np.median(self.buffers[k]) if len(self.buffers[k]) > 0 else 1.0) for k in self.buffers}
+        coeffs = {k: (self.ratios[k] / max(meds[k], 1e-12)) for k in self.ratios}
+
+        # суммируем только по активным (ratio>0)
+        total = sum(coeffs[k] * losses[k] for k in coeffs if self.ratios.get(k, 0) > 0)
+        return total, coeffs, meds
+
+# создаём normalizer после определения loss_ratios
+normalizer = MedianLossNormalizer(loss_ratios, median_coeff_steps)
+
 class AccelerateDispersiveLoss:
     def __init__(self, accelerator, temperature=0.5, weight=0.5):
         self.accelerator = accelerator
@@ -113,35 +180,26 @@ class AccelerateDispersiveLoss:
                 break
     
     def hook_fn(self, module, input, output):
-        
         if isinstance(output, tuple):
             activation = output[0]
         else:
             activation = output
-            
         if len(activation.shape) > 2:
             activation = activation.view(activation.shape[0], -1)
-            
-        self.activations.append(activation.detach())
+        self.activations.append(activation.detach().clone())
         
     def compute_dispersive_loss(self):
-            if not self.activations:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            local_activations = self.activations[-1].float()
-            
-            batch_size = local_activations.shape[0]
-            if batch_size < 2:
-                return torch.tensor(0.0, requires_grad=True)
-            
-            # Нормализация и вычисление loss
-            sf = local_activations / torch.norm(local_activations, dim=1, keepdim=True)
-            distance = torch.nn.functional.pdist(sf.float(), p=2) ** 2
-            exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
-            dispersive_loss = torch.log(torch.mean(exp_neg_dist))
-            
-            # ВАЖНО: он отриц и должен падать
-            return dispersive_loss
+        if not self.activations:
+            return torch.tensor(0.0, requires_grad=True, device=device)
+        local_activations = self.activations[-1].float()
+        batch_size = local_activations.shape[0]
+        if batch_size < 2:
+            return torch.tensor(0.0, requires_grad=True, device=device)
+        sf = local_activations / torch.norm(local_activations, dim=1, keepdim=True)
+        distance = torch.nn.functional.pdist(sf.float(), p=2) ** 2
+        exp_neg_dist = torch.exp(-distance / self.temperature) + 1e-5
+        dispersive_loss = torch.log(torch.mean(exp_neg_dist))
+        return dispersive_loss
     
     def clear_activations(self):
         self.activations.clear()
@@ -152,7 +210,6 @@ class AccelerateDispersiveLoss:
         self.hooks.clear()
 
 
-
 # --------------------------- Инициализация WandB ---------------------------
 if use_wandb and accelerator.is_main_process:
     wandb.init(project=project+lora_name, config={
@@ -170,14 +227,14 @@ gen = torch.Generator(device=device)
 gen.manual_seed(seed)
 
 # --------------------------- Загрузка моделей ---------------------------
-# VAE загружается на CPU для экономии GPU-памяти
-vae = AutoencoderKL.from_pretrained("vae", variant="fp16").to("cpu").eval()
+# VAE загружается на CPU для экономии GPU-памяти (как в твоём оригинальном коде)
+vae = AutoencoderKL.from_pretrained("vae", variant="fp16").to(device="cpu", dtype=torch.float16).eval()
 
 # 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
+    num_train_timesteps=1000,
+    prediction_type="v_prediction",
+    rescale_betas_zero_snr=True,
     clip_sample = clip_sample,
     steps_offset = steps_offset
 )
@@ -193,7 +250,6 @@ class DistributedResolutionBatchSampler(Sampler):
         self.drop_last = drop_last
         self.epoch = 0
         
-        # Используем numpy для ускорения
         try:
             widths = np.array(dataset["width"])
             heights = np.array(dataset["height"])
@@ -201,16 +257,12 @@ class DistributedResolutionBatchSampler(Sampler):
             widths = np.zeros(len(dataset))
             heights = np.zeros(len(dataset))
         
-        # Создаем уникальные ключи для размеров
         self.size_keys = np.unique(np.stack([widths, heights], axis=1), axis=0)
-        
-        # Группируем индексы по размерам используя numpy
         self.size_groups = {}
         for w, h in self.size_keys:
             mask = (widths == w) & (heights == h)
             self.size_groups[(w, h)] = np.where(mask)[0]
             
-        # Предварительно вычисляем количество полных батчей для каждой группы
         self.group_num_batches = {}
         total_batches = 0
         for size, indices in self.size_groups.items():
@@ -218,46 +270,31 @@ class DistributedResolutionBatchSampler(Sampler):
             self.group_num_batches[size] = num_full_batches
             total_batches += num_full_batches
             
-        # Округляем до числа, делящегося на num_replicas
         self.num_batches = (total_batches // self.num_replicas) * self.num_replicas
         
     def __iter__(self):
-        # print(f"Rank {self.rank}: Starting iteration")
-        # Очищаем CUDA кэш перед формированием новых батчей
         if torch.cuda.is_available():
             torch.cuda.empty_cache()
         all_batches = []
         rng = np.random.RandomState(self.epoch)
         
         for size, indices in self.size_groups.items():
-            # print(f"Rank {self.rank}: Processing size {size}, {len(indices)} samples")
             indices = indices.copy()
             if self.shuffle:
                 rng.shuffle(indices)
-            
             num_full_batches = self.group_num_batches[size]
             if num_full_batches == 0:
                 continue
-                
-            # Берем только индексы для полных батчей
             valid_indices = indices[:num_full_batches * self.batch_size * self.num_replicas]
-            
-            # Reshape для быстрого разделения на батчи
             batches = valid_indices.reshape(-1, self.batch_size * self.num_replicas)
-            
-            # Выбираем часть для текущего GPU
             start_idx = self.rank * self.batch_size
             end_idx = start_idx + self.batch_size
             gpu_batches = batches[:, start_idx:end_idx]
-            
             all_batches.extend(gpu_batches)
         
         if self.shuffle:
             rng.shuffle(all_batches)
-
-        # Синхронизируем все процессы после формирования батчей
         accelerator.wait_for_everyone()
-        # print(f"Rank {self.rank}: Created {len(all_batches)} batches")
         return iter(all_batches)
 
     def __len__(self):
@@ -268,8 +305,6 @@ class DistributedResolutionBatchSampler(Sampler):
 
 # 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"]
@@ -281,26 +316,18 @@ def get_fixed_samples_by_resolution(dataset, samples_per_group=1):
         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])).to(device=device,dtype=dtype)
         embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data])).to(device,dtype=dtype)
         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")
@@ -312,7 +339,6 @@ else:
     dataset = load_from_disk(ds_path)
 
 def collate_fn_simple(batch):
-    # Преобразуем список в тензоры и перемещаем на девайс
     latents = torch.tensor(np.array([item["vae"] for item in batch])).to(device,dtype=dtype)
     embeddings = torch.tensor(np.array([item["embeddings"] for item in batch])).to(device,dtype=dtype)
     return latents, embeddings
@@ -320,12 +346,8 @@ def collate_fn_simple(batch):
 def collate_fn(batch):
     if not batch:
         return [], []
-
-    # Берем эталонную форму
     ref_vae_shape = np.array(batch[0]["vae"]).shape
     ref_embed_shape = np.array(batch[0]["embeddings"]).shape
-
-    # Фильтруем
     valid_latents = []
     valid_embeddings = []
     for item in batch:
@@ -333,14 +355,10 @@ def collate_fn(batch):
             np.array(item["embeddings"]).shape == ref_embed_shape):
             valid_latents.append(item["vae"])
             valid_embeddings.append(item["embeddings"])
-
-    # Создаем тензоры
     latents = torch.tensor(np.array(valid_latents)).to(device,dtype=dtype)
     embeddings = torch.tensor(np.array(valid_embeddings)).to(device,dtype=dtype)
-
     return latents, embeddings
 
-# Создаем ResolutionBatchSampler на основе индексов от DistributedSampler
 batch_sampler = DistributedResolutionBatchSampler(
         dataset=dataset,
         batch_size=batch_size,
@@ -349,71 +367,53 @@ batch_sampler = DistributedResolutionBatchSampler(
         shuffle=shuffle
     )
 
-# Создаем DataLoader
 dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn_simple)
-
 print("Total samples",len(dataloader))
 dataloader = accelerator.prepare(dataloader)
 
-# 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)
-    #if dtype == torch.float32:
     unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device=device,dtype=dtype)
-    #else:
-    #unet = UNet2DConditionModel.from_pretrained(latest_checkpoint, variant="fp16").to(device=device,dtype=dtype)
+    if torch_compile:
+        print("compiling")
+        torch.set_float32_matmul_precision('high')
+        unet = torch.compile(unet)
+        print("compiling - ok")
     if unet_gradient:
         unet.enable_gradient_checkpointing()
-    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
+    unet.set_use_memory_efficient_attention_xformers(False)
     try:
-        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
+        unet.set_attn_processor(AttnProcessor2_0())
     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 hasattr(torch.backends.cuda, "flash_sdp_enabled"):
-        print(f"torch.backends.cuda.flash_sdp_enabled(): {torch.backends.cuda.flash_sdp_enabled()}")
-    if hasattr(torch.backends.cuda, "mem_efficient_sdp_enabled"):
-        print(f"torch.backends.cuda.mem_efficient_sdp_enabled(): {torch.backends.cuda.mem_efficient_sdp_enabled()}")
-    if hasattr(torch.nn.functional, "get_flash_attention_available"):
-         print(f"torch.nn.functional.get_flash_attention_available(): {torch.nn.functional.get_flash_attention_available()}")
-   
-    # Регистрируем хук на модел
-    if dispersive_loss_enabled:
+    # Создаём hook для dispersive только если нужно
+    if loss_ratios.get("dispersive", 0) > 0:
         dispersive_hook = AccelerateDispersiveLoss(
             accelerator=accelerator,
             temperature=dispersive_temperature,
             weight=dispersive_weight
         )
-    
-if torch_compile:
-    print("compiling")
-    torch.set_float32_matmul_precision('high')
-    unet = torch.compile(unet, mode="reduce-overhead", fullgraph=False)
-    print("compiling - ok")
+else:
+    # FIX: если чекпоинта нет — прекращаем с понятной ошибкой (лучше, чем неожиданные NameError дальше)
+    raise FileNotFoundError(f"UNet checkpoint not found at {latest_checkpoint}. Положи UNet чекпоинт в {latest_checkpoint} или укажи другой путь.")
 
 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,
@@ -421,51 +421,33 @@ if lora_name:
     )
     unet.add_adapter(lora_config)
 
-    # 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:,}")
 
-    # 6. Путь для сохранения
     lora_save_path = os.path.join("lora", lora_name)
-    os.makedirs(lora_save_path, exist_ok=True) 
+    os.makedirs(lora_save_path, exist_ok=True)
 
-    # 7. Функция для сохранения
     def save_lora_checkpoint(model):
         if accelerator.is_main_process:
             print(f"Сохраняем LoRA ��даптеры  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)
-            # SDXL must be compatible
             from diffusers import StableDiffusionXLPipeline
             StableDiffusionXLPipeline.save_lora_weights(lora_save_path, lora_state_dict)
 
 # --------------------------- Оптимизатор ---------------------------
-# Определяем параметры для оптимизации
-#unet = torch.compile(unet)
 if lora_name:
-    # Если используется LoRA, оптимизируем только параметры LoRA
     trainable_params = [p for p in unet.parameters() if p.requires_grad]
 else:
-    # Иначе оптимизируем все параметры
     if fbp:
         trainable_params = list(unet.parameters())
 
@@ -495,71 +477,48 @@ def create_optimizer(name, params):
         raise ValueError(f"Unknown optimizer: {name}")
 
 if fbp:
-    # Создаем отдельный оптимизатор для каждого параметра
     optimizer_dict = {p: create_optimizer(optimizer_type, [p]) for p in trainable_params}
-    
     def optimizer_hook(param):
         optimizer_dict[param].step()
         optimizer_dict[param].zero_grad(set_to_none=True)
-    
     for param in trainable_params:
         param.register_post_accumulate_grad_hook(optimizer_hook)
-    
     unet, optimizer = accelerator.prepare(unet, optimizer_dict)
 else:
     optimizer = create_optimizer(optimizer_type, unet.parameters())
-    
     def lr_schedule(step):
         x = step / (total_training_steps * world_size)
         warmup = warmup_percent
-        
         if not use_decay:
             return base_learning_rate
         if x < warmup:
             return min_learning_rate + (base_learning_rate - min_learning_rate) * (x / warmup)
-        
         decay_ratio = (x - warmup) / (1 - warmup)
         return min_learning_rate + 0.5 * (base_learning_rate - min_learning_rate) * \
                (1 + math.cos(math.pi * decay_ratio))
-    
     lr_scheduler = LambdaLR(optimizer, lambda step: lr_schedule(step) / base_learning_rate)
 
     num_params = sum(p.numel() for p in unet.parameters())
     print(f"[rank {accelerator.process_index}] total params: {num_params}")
-    # Проверка на NaN/Inf
     for name, param in unet.named_parameters():
         if torch.isnan(param).any() or torch.isinf(param).any():
             print(f"[rank {accelerator.process_index}] NaN/Inf in {name}")
-            # Опционально: заменить на нормальные значения
-            #param.data = torch.randn_like(param) * 0.01
     unet, optimizer, lr_scheduler = accelerator.prepare(unet, optimizer, lr_scheduler)
-
+    
 # Регистрация хуков ПОСЛЕ prepare
-if dispersive_loss_enabled:
+if loss_ratios.get("dispersive", 0) > 0:
     dispersive_hook.register_hooks(unet, "down_blocks.2")
 
 # --------------------------- Фиксированные семплы для генерации ---------------------------
-# Примеры фиксированных семплов по размерам
 fixed_samples = get_fixed_samples_by_resolution(dataset)
 
 @torch.compiler.disable()
 @torch.no_grad()
 def generate_and_save_samples(fixed_samples_cpu, step):
-    """
-    Генерирует семплы для каждого из разрешений и сохраняет их.
-    
-    Args:
-        fixed_samples_cpu: Словарь, где ключи - размеры (width, height), 
-                           а значения - кортежи (latents, embeddings, text) на CPU.
-        step: Текущий шаг обучения
-    """
-    original_model = None # Инициализируем, чтобы finally не ругался
+    original_model = None
     try:
-
-        original_model = accelerator.unwrap_model(unet).eval()
-
-        vae.to(device=device, dtype=dtype)
-        vae.eval()
+        original_model = accelerator.unwrap_model(unet, keep_torch_compile=True).eval()
+        vae.to(device=device).eval()  # временно подгружаем VAE на GPU для декодинга
 
         scheduler.set_timesteps(n_diffusion_steps)
         
@@ -568,40 +527,32 @@ def generate_and_save_samples(fixed_samples_cpu, step):
         
         for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples_cpu.items():
             width, height = size
+            sample_latents = sample_latents.to(dtype=dtype, device=device)
+            sample_text_embeddings = sample_text_embeddings.to(dtype=dtype, device=device)
 
-            sample_latents = sample_latents.to(dtype=dtype)
-            sample_text_embeddings = sample_text_embeddings.to(dtype=dtype)
-
-            # Инициализируем латенты случайным шумом
-            # sample_latents уже в dtype, так что noise будет создан в dtype
             noise = torch.randn(
-                sample_latents.shape, # Используем форму от sample_latents, которые теперь на GPU и fp16
+                sample_latents.shape,
                 generator=gen,
                 device=device,
                 dtype=sample_latents.dtype
             )
             current_latents = noise.clone()
             
-            # Подготовка текстовых эмбеддингов для guidance
             if guidance_scale > 0:
-                # empty_embeddings должны быть того же типа и на том же устройстве
                 empty_embeddings = torch.zeros_like(sample_text_embeddings, dtype=sample_text_embeddings.dtype, device=device)
                 text_embeddings_batch = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
             else:
                 text_embeddings_batch = sample_text_embeddings
             
             for t in scheduler.timesteps:
-                t_batch = t.repeat(current_latents.shape[0]).to(device) # Убедимся, что t на устройстве
-
+                t_batch = t.repeat(current_latents.shape[0]).to(device)
                 if guidance_scale > 0:
                     latent_model_input = torch.cat([current_latents] * 2)
                 else:
                     latent_model_input = current_latents
                 
                 latent_model_input_scaled = scheduler.scale_model_input(latent_model_input, t_batch)
-                
-                # Предсказание шума (UNet)
-                noise_pred = original_model(latent_model_input_scaled, t_batch, text_embeddings_batch).sample                   
+                noise_pred = original_model(latent_model_input_scaled, t_batch, text_embeddings_batch).sample               
                 
                 if guidance_scale > 0:
                     noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
@@ -609,20 +560,14 @@ def generate_and_save_samples(fixed_samples_cpu, step):
 
                 current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample
 
-            #print(f"current_latents Min: {current_latents.min()} Max: {current_latents.max()}")
-            # Декодирование через VAE
-            latent_for_vae = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
-            decoded = vae.decode(latent_for_vae).sample
+            latent_for_vae = (current_latents.detach() / vae.config.scaling_factor) + getattr(vae.config, "shift_factor", 0.0)
+            decoded = vae.decode(latent_for_vae.to(torch.float16)).sample
             
-            # Преобразуем тензоры в PIL-изображения
-            # Для математики с изображением (нормализация) лучше перейти в fp32
             decoded_fp32 = decoded.to(torch.float32)
             for img_idx, img_tensor in enumerate(decoded_fp32):
                 img = (img_tensor / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
-                # If NaNs or infs are present, print them
                 if np.isnan(img).any():
-                    print("NaNs found, saving stoped! Step:", step)
-                    save_model = False
+                    print("NaNs found, saving stopped! Step:", step)
                 pil_img = Image.fromarray((img * 255).astype("uint8"))
                 
                 max_w_overall = max(s[0] for s in fixed_samples_cpu.keys())
@@ -645,17 +590,15 @@ def generate_and_save_samples(fixed_samples_cpu, step):
                 for i, img in enumerate(all_generated_images)
             ]
             wandb.log({"generated_images": wandb_images, "global_step": step})
-    
-    finally:        
-        vae.to("cpu") # Перемещаем VAE обратно на CPU
-        # Очистка переменных, которые являются тензорами и были созданы в функции
+    finally:
+        # вернуть VAE на CPU (как было в твоём коде)
+        vae.to("cpu")
         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:
@@ -667,35 +610,53 @@ accelerator.wait_for_everyone()
 def save_checkpoint(unet,variant=""):
     if accelerator.is_main_process:
         if lora_name:
-            # Сохраняем только LoRA адаптеры
             save_lora_checkpoint(unet)
         else:
-            # Сохраняем полную модель
             if variant!="":
                 accelerator.unwrap_model(unet.to(dtype=torch.float16)).save_pretrained(os.path.join(checkpoints_folder, f"{project}"),variant=variant)
             else:
                 accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
             unet = unet.to(dtype=dtype)
 
+def batch_pred_original_from_step(model_outputs, timesteps_tensor, noisy_latents, scheduler):
+    device = noisy_latents.device
+    dtype = noisy_latents.dtype
+
+    available_ts = scheduler.timesteps
+    if not isinstance(available_ts, torch.Tensor):
+        available_ts = torch.tensor(available_ts, device="cpu")
+    else:
+        available_ts = available_ts.cpu()
+
+    B = model_outputs.shape[0]
+    preds = []
+    for i in range(B):
+        t_i = int(timesteps_tensor[i].item())
+        diffs = torch.abs(available_ts - t_i)
+        idx = int(torch.argmin(diffs).item())
+        t_for_step = int(available_ts[idx].item())
+        model_out_i = model_outputs[i:i+1]
+        noisy_latent_i = noisy_latents[i:i+1]
+        step_out = scheduler.step(model_out_i, t_for_step, noisy_latent_i)
+        preds.append(step_out.pred_original_sample)
+
+    return torch.cat(preds, dim=0).to(device=device, dtype=dtype)
+
 # --------------------------- Тренировочный цикл ---------------------------
-# Для логирования среднего лосса каждые % эпохи
 if accelerator.is_main_process:
     print(f"Total steps per GPU: {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)
 min_loss = 1.
 
-# Начинаем с указанной эпохи (полезно при возобновлении)
 for epoch in range(start_epoch, start_epoch + num_epochs):
     batch_losses = []
     batch_tlosses = []
     batch_grads = []
-    #unet = unet.to(dtype = dtype)
     batch_sampler.set_epoch(epoch)
     accelerator.wait_for_everyone()
     unet.train()
@@ -706,107 +667,103 @@ for epoch in range(start_epoch, start_epoch + num_epochs):
                 used_gb = torch.cuda.max_memory_allocated() / 1024**3
                 print(f"Шаг {step}: {used_gb:.2f} GB")
 
-            # Forward pass 
             noise = torch.randn_like(latents, dtype=latents.dtype)
-            
-            timesteps = torch.randint(steps_offset, scheduler.config.num_train_timesteps, 
-                (latents.shape[0],), device=device).long()
-                
-            # Добавляем шум к латентам
+
+            progress = global_step / max(1, total_training_steps - 1)
+            timesteps = sample_timesteps_bias(
+                batch_size=latents.shape[0],
+                progress=progress,
+                num_train_timesteps=scheduler.config.num_train_timesteps,
+                steps_offset=steps_offset,
+                device=device
+            )
+
             noisy_latents = scheduler.add_noise(latents, noise, timesteps)
 
-            # Очищаем активации перед forward pass
-            if dispersive_loss_enabled:
+            if loss_ratios.get("dispersive", 0) > 0:
                 dispersive_hook.clear_activations()
         
-            # Используем целевое значение
             model_pred = unet(noisy_latents, timesteps, embeddings).sample
             target_pred = scheduler.get_velocity(latents, noise, timesteps)
 
-            # Считаем лосс
-            loss = torch.nn.functional.mse_loss(model_pred.float(), target_pred.float())
-
-            # Dispersive Loss
-            #Идентичные векторы: Loss = -0.0000
-            #Ортогональные векторы: Loss = -3.9995
-            if dispersive_loss_enabled:
-                with torch.amp.autocast('cuda', enabled=False):
-                    dispersive_loss = dispersive_hook.weight * dispersive_hook.compute_dispersive_loss()
-                    if torch.isnan(dispersive_loss) or torch.isinf(dispersive_loss):
-                        print(f"Rank {accelerator.process_index}: Found nan/inf in dispersive_loss: {total_loss}")
-
-            # Итоговый loss
-            # dispersive_loss должен падать и тотал падать - поэтому плюс
-            if dispersive_loss_enabled:
-                total_loss = loss + dispersive_loss
+            # === Losses ===
+            losses_dict = {}
+
+            mse_loss = F.mse_loss(model_pred.float(), target_pred.float())
+            losses_dict["mse"] = mse_loss
+            losses_dict["mae"] = F.l1_loss(model_pred.float(), target_pred.float())
+
+            # CHANGED: Huber (smooth_l1) loss added
+            losses_dict["huber"] = F.smooth_l1_loss(model_pred.float(), target_pred.float())
+
+            # === Dispersive loss ===
+            if loss_ratios.get("dispersive", 0) > 0:
+                disp_raw = dispersive_hook.compute_dispersive_loss().to(device)  # может быть отрицательным
+                losses_dict["dispersive"] = dispersive_hook.weight * disp_raw
             else:
-                total_loss = loss
+                losses_dict["dispersive"] = torch.tensor(0.0, device=device)
 
-            # Проверяем на nan/inf перед backward
-            if torch.isnan(loss) or torch.isinf(loss):
-                print(f"Rank {accelerator.process_index}: Found nan/inf in loss: {loss}")
-                save_model = False
-                break
+            # === Нормализация всех лоссов ===
+            abs_for_norm = {k: losses_dict.get(k, torch.tensor(0.0, device=device)) for k in normalizer.ratios.keys()}
+            total_loss, coeffs, meds = normalizer.update_and_total(abs_for_norm)
+
+            # Сохраняем для логов (мы сохраняем MSE отдельно — как показатель)
+            batch_losses.append(mse_loss.detach().item())
 
-            if torch.isnan(total_loss) or torch.isinf(total_loss):
-                print(f"Rank {accelerator.process_index}: Found nan/inf in total_loss: {total_loss}")
-                print(f"Проблемный батч: step={step}, latents.shape={latents.shape}, embeddings.shape={embeddings.shape}")
-                continue
-            
             if (global_step % 100 == 0) or (global_step % sample_interval == 0):
                 accelerator.wait_for_everyone()
                 
-            # Делаем backward через Accelerator    
+            # Backward
             accelerator.backward(total_loss)
 
             if (global_step % 100 == 0) or (global_step % sample_interval == 0):
                 accelerator.wait_for_everyone()
                 
-            grad = torch.tensor(0.0, device=device)
+            grad = 0.0
             if not fbp:
                 if accelerator.sync_gradients:
                     with torch.amp.autocast('cuda', enabled=False):
-                        grad = accelerator.clip_grad_norm_(unet.parameters(), clip_grad_norm)
+                        grad_val = accelerator.clip_grad_norm_(unet.parameters(), clip_grad_norm)
+                    grad = float(grad_val)
                     optimizer.step()
                     lr_scheduler.step()
                     optimizer.zero_grad(set_to_none=True)
 
-            # Увеличиваем счетчик глобальных шагов
             global_step += 1
-        
-            # Обновляем прогресс-бар
             progress_bar.update(1)
-            
+
             # Логируем метрики
             if accelerator.is_main_process:
                 if fbp:
                     current_lr = base_learning_rate
                 else:
                     current_lr = lr_scheduler.get_last_lr()[0]
-                batch_losses.append(loss.detach().item())
                 batch_tlosses.append(total_loss.detach().item())
                 batch_grads.append(grad)
-                
-                # Логируем в Wandb 
+
+                # Логируем только активные лоссы (ratio>0)
+                active_keys = [k for k, v in loss_ratios.items() if v > 0]
+                log_data = {}
+                for k in active_keys:
+                    v = losses_dict.get(k, None)
+                    if v is None:
+                        continue
+                    log_data[f"loss/{k}"] = (v.item() if isinstance(v, torch.Tensor) else float(v))
+
+                log_data["loss/total"] = float(total_loss.item())
+                log_data["loss/lr"] = current_lr
+                for k, c in coeffs.items():
+                    log_data[f"coeff/{k}"] = float(c)
                 if use_wandb and accelerator.sync_gradients:
-                    wandb.log({
-                        "mse_loss": loss.detach().item(),
-                        "learning_rate": current_lr,
-                        "epoch": epoch,
-                        "grad": grad,
-                        "global_step": global_step,
-                        **({"dispersive_loss": dispersive_loss} if dispersive_loss_enabled else {}),
-                        **({"total_loss": total_loss} if dispersive_loss_enabled else {})
-                    })
-            
+                    wandb.log(log_data, step=global_step)
+
                 # Генерируем сэмплы с заданным интервалом
                 if global_step % sample_interval == 0:
                     generate_and_save_samples(fixed_samples,global_step)
-                    
-                    # Выводим текущий лосс
-                    avg_loss = np.mean(batch_losses[-sample_interval:])
-                    avg_tloss = np.mean(batch_tlosses[-sample_interval:])
-                    avg_grad = torch.mean(torch.stack(batch_grads[-sample_interval:])).cpu().item()
+                    last_n = sample_interval
+                    avg_loss = float(np.mean(batch_losses[-last_n:])) if len(batch_losses) > 0 else 0.0
+                    avg_tloss = float(np.mean(batch_tlosses[-last_n:])) if len(batch_tlosses) > 0 else 0.0
+                    avg_grad = float(np.mean(batch_grads[-last_n:])) if len(batch_grads) > 0 else 0.0
                     print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}, grad: {avg_grad:.6f}")
 
                     if save_model:
@@ -815,25 +772,23 @@ for epoch in range(start_epoch, start_epoch + num_epochs):
                             min_loss = avg_loss
                             save_checkpoint(unet)
                     if use_wandb:
-                        wandb.log({"interm_loss": avg_loss})
-                        wandb.log({"interm_grad": avg_grad})
-                        if dispersive_loss_enabled:
-                            wandb.log({"interm_totalloss": avg_tloss})
+                        avg_data = {}
+                        avg_data["avg/loss"] = avg_loss
+                        avg_data["avg/tloss"] = avg_tloss
+                        avg_data["avg/grad"] = avg_grad
+                        wandb.log(avg_data, step=global_step)
 
-    # По окончании эпохи
-    #accelerator.wait_for_everyone() 
     if accelerator.is_main_process:
-        avg_epoch_loss = np.mean(batch_losses)
+        avg_epoch_loss = np.mean(batch_losses) if len(batch_losses)>0 else 0.0
         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 dispersive_loss:
+if loss_ratios.get("dispersive", 0) > 0:
     dispersive_hook.remove_hooks()
 if accelerator.is_main_process:
     print("Обучение завершено! Сохраняем финальную модель...")
-    # Сохраняем основную модель
     if save_model:
         save_checkpoint(unet,"fp16")
 accelerator.free_memory()
@@ -841,34 +796,3 @@ if torch.distributed.is_initialized():
     torch.distributed.destroy_process_group()
     
 print("Готово!")
-
-    # randomize ode timesteps
-    # input_timestep = torch.round(
-    #     F.sigmoid(torch.randn((n,), device=latents.device)), decimals=3
-    # )
-
-#def create_distribution(num_points, device=None):
-#    # Диапазон вероятностей на оси x
-#    x = torch.linspace(0, 1, num_points, device=device)
-
-    # Пользовательская функция плотности вероятности
-#    probabilities = -7.7 * ((x - 0.5) ** 2) + 2
-
-    # Нормализация, чтобы сумма равнялась 1
-#    probabilities /= probabilities.sum()
-
-#    return x, probabilities
-
-#def sample_from_distribution(x, probabilities, n, device=None):
-    # Выбор индексов на основе распределения вероятностей
-#    indices = torch.multinomial(probabilities, n, replacement=True)
-#    return x[indices]
-
-# Пример использования
-#num_points = 1000  # Количество точек в диапазоне
-#n = latents.shape[0]  # Количество временных шагов для выборки
-#x, probabilities = create_distribution(num_points, device=latents.device)
-#timesteps = sample_from_distribution(x, probabilities, n, device=latents.device)
-
-# Преобразование в формат, подходящий для вашего кода
-#timesteps = (timesteps * (scheduler.config.num_train_timesteps - 1)).long()