szxllm/MSD

该模型是将Mamba的注意力用在stable diffusion V1.5 的U-Net网络里（即替换替换原有的自注意力层），然后进行了训练和评估，评估指标有FID和CLIP-T，GPU峰值显存占用。目前模型还未进一步改进。下面的说明是运行程序的指令。

修改后的U-Net网络图

推理代码 python msd_infer.py --base_model="runwayml/stable-diffusion-v1-5" --checkpoint_dir="/root/mamba/sd-mamba-mscoco-urltext-10k-run3/checkpoint-31000" --unet_subfolder="unet_mamba" --prompt="a river" --output_path="ccat.png" --device="cuda" --seed=12345 --num_inference_steps=50 --guidance_scale=8.0 --mamba_d_state=16 --mamba_d_conv=4 --mamba_expand=2 --pipeline_dtype="float32"

训练代码（shuffling ，sample，5000/10000） accelerate launch train_mamba_sd.py --pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5" --dataset_name="ChristophSchuhmann/MS_COCO_2017_URL_TEXT" --output_dir="sd-mamba-mscoco-urltext-10k-run3" --resolution=512 --max_train_samples=6000 --train_batch_size=4 --gradient_accumulation_steps=4 --gradient_checkpointing --max_train_steps=50000 --learning_rate=1e-5 --lr_scheduler="cosine" --lr_warmup_steps=100 --mamba_d_state=16 --mamba_d_conv=4 --mamba_expand=2 --dataloader_num_workers=8 --preprocessing_num_workers=16 --seed=28 --mixed_precision="fp16" --use_8bit_adam --allow_tf32 --report_to="tensorboard" --validation_prompt="A high-resolution photo of a fluffy cat sitting on a windowsill, bathed in sunlight." --validation_steps=500 --num_validation_images=1 --checkpointing_steps=500 --checkpoints_total_limit=3 --resume_from_checkpoint="/root/mamba/sd-mamba-mscoco-urltext-20k-run2/checkpoint-16500" 此时设置的seed=42，是从打乱后的数据集中选取10001个样本，并且是按照seed=42方式打乱的，所以seed改变

rm -rf /root/.cache/huggingface/datasets/ChristophSchuhmann___ms_coco_2017_url_text

评估命令 python eval.py --model_checkpoint_path /root/mamba/sd-mamba-mscoco-urltext-10k-run3/checkpoint-31000 --coco_val_images_path /root/mamba/val2014 --coco_annotations_path /root/mamba/annotations --output_dir ./eval_results --num_samples 5000 --unet_subfolder unet_mamba --skip_generation

wget annotations/val2014（复现时）

768×768分辨率（对于eval2.py直接Python eval2.py）（tuili.py是msd_infer.py的768×768版本） python tuili.py --base_model="runwayml/stable-diffusion-v1-5" --checkpoint_dir="/root/mamba/sd-mamba-mscoco-urltext-10k-run3/checkpoint-31000" --unet_subfolder="unet_mamba" --prompt="a garden" --output_path="ccat.png" --device="cuda" --seed=12345 --num_inference_steps=50 --guidance_scale=8.0 --width 768 --height 768 --mamba_d_state=16 --mamba_d_conv=4 --mamba_expand=2 --pipeline_dtype="float32"

下面是环境配置说明

Name Version Build Channel

accelerate 1.6.0 pypi_0 pypi bitsandbytes 0.45.5 pypi_0 pypi clean-fid 0.1.35 pypi_0 pypi clip 1.0 pypi_0 pypi cuda-version 12.8 3 nvidia datasets 3.5.0 pypi_0 pypi diffusers 0.33.1 pypi_0 pypi einops 0.8.1 pypi_0 pypi

importlib-metadata 8.6.1 pypi_0 pypi

jinja2 3.1.6 py310h06a4308_0

mamba-ssm 2.2.4 pypi_0 pypi

ninja 1.11.1.4 pypi_0 pypi numpy 2.0.1 py310h5f9d8c6_1
numpy-base 2.0.1 py310hb5e798b_1

open-clip-torch 2.32.0 pypi_0 pypi

pandas 2.2.3 pypi_0 pypi pillow 11.1.0 py310hac6e08b_1
pip 25.0.1 pypi_0 pypi

python 3.10.16 he870216_1

pytorch 2.5.1 py3.10_cuda12.4_cudnn9.1.0_0 pytorch pytorch-cuda 12.4 hc786d27_7 pytorch

scipy 1.15.2 pypi_0 pypi

tokenizers 0.21.1 pypi_0 pypi torch-fidelity 0.3.0 pypi_0 pypi torchaudio 2.5.1 py310_cu124 pytorch torchmetrics 1.7.1 pypi_0 pypi torchtriton 3.1.0 py310 pytorch torchvision 0.20.1 py310_cu124 pytorch tqdm 4.67.1
transformers 4.51.3
typing_extensions 4.12.2

xformers 0.0.30