diffusers/pr_14279/zh/training/overview.md

概述

🤗 Diffusers 提供了一系列训练脚本供您训练自己的diffusion模型。您可以在 diffusers/examples 找到所有训练脚本。

每个训练脚本具有以下特点：

• 独立完整：训练脚本不依赖任何本地文件，所有运行所需的包都通过 requirements.txt 文件安装
• 易于调整：这些脚本是针对特定任务的训练示例，并不能开箱即用地适用于所有训练场景。您可能需要根据具体用例调整脚本。为此，我们完全公开了数据预处理代码和训练循环，方便您进行修改
• 新手友好：脚本设计注重易懂性和入门友好性，而非包含最新最优方法以获得最具竞争力的结果。我们有意省略了过于复杂的训练方法
• 单一用途：每个脚本仅针对一个任务设计，确保代码可读性和可理解性

当前提供的训练脚本包括：

训练类型	支持SDXL	支持LoRA
unconditional image generation
text-to-image	👍	👍
textual inversion
DreamBooth	👍	👍
ControlNet	👍
InstructPix2Pix	👍
Custom Diffusion
T2I-Adapters	👍
Kandinsky 2.2		👍
Wuerstchen		👍

这些示例处于积极维护状态，如果遇到问题请随时提交issue。如果您认为应该添加其他训练示例，欢迎创建功能请求与我们讨论，我们将评估其是否符合独立完整、易于调整、新手友好和单一用途的标准。

安装

请按照以下步骤在新虚拟环境中从源码安装库，确保能成功运行最新版本的示例脚本：

git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .

然后进入具体训练脚本目录（例如DreamBooth），安装对应的requirements.txt文件。部分脚本针对SDXL或LoRA有特定要求文件，使用时请确保安装对应文件。

cd examples/dreambooth
pip install -r requirements.txt
# 如需用DreamBooth训练SDXL
pip install -r requirements_sdxl.txt

为加速训练并降低内存消耗，我们建议：

• 使用PyTorch 2.0或更高版本，自动启用缩放点积注意力（无需修改训练代码）
• 安装xFormers以启用内存高效注意力机制