当前位置：首页 > wzjs >正文

上海专业的网站建设公司互动营销公司

wzjs 2025/9/13 1:12:42

上海专业的网站建设公司,互动营销公司,在建设部网站如何查询注册信息,企业wordpress模板免费“如何让扩散模型更强地听话？” 在第9期中，我们成功实现了 CLIP Diffusion 的文本引导图像生成模型。虽然能生成与文本描述大致匹配的图像，但你会发现： 有时图像与文本契合度不高； 控制力不够，输入 "…

“如何让扩散模型更强地听话？”

在第9期中，我们成功实现了 CLIP + Diffusion 的文本引导图像生成模型。虽然能生成与文本描述大致匹配的图像，但你会发现：

有时图像与文本契合度不高；
控制力不够，输入 "a red car" 也可能出现黄色或蓝色；
文本引导效果“太温柔”了。

这时候，Classifier-Free Guidance（简称 CFG）就派上用场了。

一、什么是 Classifier-Free Guidance？

传统的条件扩散方法（如 Guided Diffusion）使用一个额外的分类器去引导模型生成符合某个类别的图像。这种方式虽然有效，但缺点明显：

需要额外训练分类器；
无法用于文本这样的复杂条件；
效率较低。

CFG 的核心思想是：

不训练额外的分类器，而是利用 同一个模型同时学习条件生成和无条件生成，然后在推理时动态融合两者。

方法概述：

训练阶段：
- 有条件样本时，使用文本条件训练。
- 一定概率下去除条件，作为无条件训练样本。
推理阶段：
- 同时用模型计算条件预测和无条件预测；
- 用一个超参数 guidance_scale 进行融合：final_output = uncond + guidance_scale * (cond - uncond)

二、实现 CFG 的扩散采样流程（完整代码）

我们沿用第9期的 ConditionalUNet 模型，添加无条件路径，并实现带 guidance_scale 的采样流程。

1. 修改 UNet 支持 None 条件

class ConditionalUNet(nn.Module):def __init__(self, cond_dim=512):super().__init__()self.cond_dim = cond_dimself.init = nn.Conv2d(3, 64, 3, padding=1)self.down1 = UNetBlock(64, 128, cond_dim)self.down2 = UNetBlock(128, 256, cond_dim)self.middle = UNetBlock(256, 256, cond_dim)self.up1 = UNetBlock(512, 128, cond_dim)self.up2 = UNetBlock(256, 64, cond_dim)self.out = nn.Conv2d(64, 3, 1)def forward(self, x, t, cond=None):if cond is None:cond = torch.zeros(x.size(0), self.cond_dim).to(x.device)x1 = self.init(x)x2 = self.down1(x1, cond)x3 = self.down2(x2, cond)x4 = self.middle(x3, cond)x = self.up1(torch.cat([x4, x3], dim=1), cond)x = self.up2(torch.cat([x, x2], dim=1), cond)return self.out(x)

2. 添加 Classifier-Free Guidance 的采样函数

@torch.no_grad()
def sample_with_cfg(text, model, steps=T, guidance_scale=5.0):model.eval()x = torch.randn(16, 3, 32, 32).to(device)text_emb = get_text_embedding([text] * x.size(0))uncond_emb = torch.zeros_like(text_emb)for i in reversed(range(steps)):t = torch.full((x.size(0),), i, device=device, dtype=torch.long)# 条件和无条件输出pred_cond = model(x, t, text_emb)pred_uncond = model(x, t, uncond_emb)pred = pred_uncond + guidance_scale * (pred_cond - pred_uncond)alpha = alphas_cumprod[t][:, None, None, None].to(x.device)sqrt_alpha = torch.sqrt(alpha)sqrt_one_minus_alpha = torch.sqrt(1 - alpha)x_0 = (x - sqrt_one_minus_alpha * pred) / sqrt_alphax_0 = x_0.clamp(-1, 1)if i > 0:noise = torch.randn_like(x)beta = betas[t][:, None, None, None].to(x.device)x = torch.sqrt(alpha) * x_0 + torch.sqrt(beta) * noiseelse:x = x_0return x

3. 可视化结果对比

import torchvision
import matplotlib.pyplot as pltsamples = sample_with_cfg("a red sports car", model, guidance_scale=5.0)
samples = (samples + 1) / 2grid = torchvision.utils.make_grid(samples, nrow=4)
plt.figure(figsize=(6, 6))
plt.imshow(grid.permute(1, 2, 0).cpu().numpy())
plt.axis('off')
plt.title("Generated: 'a red sports car'")
plt.show()

三、CFG 的优缺点分析

项目	优点	缺点
无需额外分类器	✅ 简化训练流程	❌ 推理中需双前向
可用于复杂条件	✅ 支持文本、图像	❌ `guidance_scale` 需要调参
效果提升明显	✅ 提升文本一致性	-