文生图
[!WARNING]
文生图训练脚本目前处于实验阶段，容易出现过拟合和灾难性遗忘等问题。建议尝试不同超参数以获得最佳数据集适配效果。
Stable Diffusion 等文生图模型能够根据文本提示生成对应图像。
模型训练对硬件要求较高，但启用 gradient_checkpointing 和 mixed_precision 后，可在单块24GB显存GPU上完成训练。如需更大批次或更快训练速度，建议使用30GB以上显存的GPU设备。通过启用 xFormers 内存高效注意力机制可降低显存占用。JAX/Flax 训练方案也支持TPU/GPU高效训练，但不支持梯度检查点、梯度累积和xFormers。使用Flax训练时建议配备30GB以上显存GPU或TPU v3。
本指南将详解 train_text_to_image.py 训练脚本，助您掌握其原理并适配自定义需求。
运行脚本前请确保已从源码安装库：
git clone https://github.com/huggingface/diffusers
cd diffusers
pip install .
然后进入包含训练脚本的示例目录，安装对应依赖：
```bash
cd examples/text_to_image
pip install -r requirements.txt
```
```bash
cd examples/text_to_image
pip install -r requirements_flax.txt
```
[!TIP]
🤗 Accelerate 是支持多GPU/TPU训练和混合精度的工具库，能根据硬件环境自动配置训练参数。参阅 🤗 Accelerate 快速入门 了解更多。
初始化 🤗 Accelerate 环境：
要创建默认配置环境（不进行交互式选择）：
accelerate config default
若环境不支持交互式shell（如notebook），可使用：
from accelerate.utils import write_basic_config
write_basic_config()
最后，如需在自定义数据集上训练，请参阅 创建训练数据集 指南了解如何准备适配脚本的数据集。
脚本参数
[!TIP]
以下重点介绍脚本中影响训练效果的关键参数，如需完整参数说明可查阅 脚本源码。如有疑问欢迎反馈。
训练脚本提供丰富参数供自定义训练流程，所有参数及说明详见 parse_args() 函数。该函数为每个参数提供默认值（如批次大小、学习率等），也可通过命令行参数覆盖。
例如使用fp16混合精度加速训练：
accelerate launch train_text_to_image.py \
--mixed_precision="fp16"
基础重要参数包括：
--pretrained_model_name_or_path: Hub模型名称或本地预训练模型路径--dataset_name: Hub数据集名称或本地训练数据集路径--image_column: 数据集中图像列名--caption_column: 数据集中文本列名--output_dir: 模型保存路径--push_to_hub: 是否将训练模型推送至Hub--checkpointing_steps: 模型检查点保存步数；训练中断时可添加 --resume_from_checkpoint 从该检查点恢复训练
Min-SNR加权策略
Min-SNR 加权策略通过重新平衡损失函数加速模型收敛。训练脚本支持预测 epsilon（噪声）或 v_prediction，而Min-SNR兼容两种预测类型。该策略仅限PyTorch版本，Flax训练脚本不支持。
添加 --snr_gamma 参数并设为推荐值5.0：
accelerate launch train_text_to_image.py \
--snr_gamma=5.0
可通过此 Weights and Biases 报告比较不同 snr_gamma 值的损失曲面。小数据集上Min-SNR效果可能不如大数据集显著。
训练脚本解析
数据集预处理代码和训练循环位于 main() 函数，自定义修改需在此处进行。
train_text_to_image 脚本首先 加载调度器 和分词器，此处可替换其他调度器：
noise_scheduler = DDPMScheduler.from_pretrained(args.pretrained_model_name_or_path, subfolder="scheduler")
tokenizer = CLIPTokenizer.from_pretrained(
args.pretrained_model_name_or_path, subfolder="tokenizer", revision=args.revision
)
接着 加载UNet模型：
load_model = UNet2DConditionModel.from_pretrained(input_dir, subfolder="unet")
model.register_to_config(**load_model.config)
model.load_state_dict(load_model.state_dict())
随后对数据集的文本和图像列进行预处理。tokenize_captions 函数处理文本分词，train_transforms 定义图像增强策略，二者集成于 preprocess_train：
def preprocess_train(examples):
images = [image.convert("RGB") for image in examples[image_column]]
examples["pixel_values"] = [train_transforms(image) for image in images]
examples["input_ids"] = tokenize_captions(examples)
return examples
最后，训练循环 处理剩余流程：图像编码为潜空间、添加噪声、计算文本嵌入条件、更新模型参数、保存并推送模型至Hub。想深入了解训练循环原理，可参阅 理解管道、模型与调度器 教程，该教程解析了去噪过程的核心逻辑。
启动脚本
完成所有配置后，即可启动训练脚本！🚀
以 [火影忍者BLIP标注数据集](https://huggingface.co/datasets/lambdalabs/naruto-blip-captions) 为例训练生成火影角色。设置环境变量 `MODEL_NAME` 和 `dataset_name` 指定模型和数据集（Hub或本地路径）。多GPU训练需在 `accelerate launch` 命令中添加 `--multi_gpu` 参数。
> [!TIP]
> 使用本地数据集时，设置 `TRAIN_DIR` 和 `OUTPUT_DIR` 环境变量为数据集路径和模型保存路径。
```bash
export MODEL_NAME="stable-diffusion-v1-5/stable-diffusion-v1-5"
export dataset_name="lambdalabs/naruto-blip-captions"
accelerate launch --mixed_precision="fp16" train_text_to_image.py \
--pretrained_model_name_or_path=$MODEL_NAME \
--dataset_name=$dataset_name \
--use_ema \
--resolution=512 --center_crop --random_flip \
--train_batch_size=1 \
--gradient_accumulation_steps=4 \
--gradient_checkpointing \
--max_train_steps=15000 \
--learning_rate=1e-05 \
--max_grad_norm=1 \
--enable_xformers_memory_efficient_attention \
--lr_scheduler="constant" --lr_warmup_steps=0 \
--output_dir="sd-naruto-model" \
--push_to_hub
```
Flax训练方案在TPU/GPU上效率更高（由 [@duongna211](https://github.com/duongna21) 实现），TPU性能更优但GPU表现同样出色。
设置环境变量 `MODEL_NAME` 和 `dataset_name` 指定模型和数据集（Hub或本地路径）。
> [!TIP]
> 使用本地数据集时，设置 `TRAIN_DIR` 和 `OUTPUT_DIR` 环境变量为数据集路径和模型保存路径。
```bash
export MODEL_NAME="stable-diffusion-v1-5/stable-diffusion-v1-5"
export dataset_name="lambdalabs/naruto-blip-captions"
python train_text_to_image_flax.py \
--pretrained_model_name_or_path=$MODEL_NAME \
--dataset_name=$dataset_name \
--resolution=512 --center_crop --random_flip \
--train_batch_size=1 \
--max_train_steps=15000 \
--learning_rate=1e-05 \
--max_grad_norm=1 \
--output_dir="sd-naruto-model" \
--push_to_hub
```
训练完成后，即可使用新模型进行推理：
```py
from diffusers import StableDiffusionPipeline
import torch
pipeline = StableDiffusionPipeline.from_pretrained("path/to/saved_model", torch_dtype=torch.float16, use_safetensors=True).to("cuda")
image = pipeline(prompt="yoda").images[0]
image.save("yoda-naruto.png")
```
```py
import jax
import numpy as np
from flax.jax_utils import replicate
from flax.training.common_utils import shard
from diffusers import FlaxStableDiffusionPipeline
pipeline, params = FlaxStableDiffusionPipeline.from_pretrained("path/to/saved_model", dtype=jax.numpy.bfloat16)
prompt = "yoda naruto"
prng_seed = jax.random.PRNGKey(0)
num_inference_steps = 50
num_samples = jax.device_count()
prompt = num_samples * [prompt]
prompt_ids = pipeline.prepare_inputs(prompt)
# 分片输入和随机数
params = replicate(params)
prng_seed = jax.random.split(prng_seed, jax.device_count())
prompt_ids = shard(prompt_ids)
images = pipeline(prompt_ids, params, prng_seed, num_inference_steps, jit=True).images
images = pipeline.numpy_to_pil(np.asarray(images.reshape((num_samples,) + images.shape[-3:])))
image.save("yoda-naruto.png")
```
后续步骤
恭喜完成文生图模型训练！如需进一步使用模型，以下指南可能有所帮助：
- 了解如何加载 LoRA权重 进行推理（如果训练时使用了LoRA）
- 在 文生图 任务指南中，了解引导尺度等参数或提示词加权等技术如何控制生成效果