关于人工智能:阿里云PAIDiffusion功能再升级全链路支持模型调优平均推理速度提升75以上

导读

随着 Stable Diffusion 模型在 AI 圈的爆火，AI 生成内容（AI Generated Content，AIGC）的利用呈现出井喷式的增长趋势。其中，文图生成（Text-to-image Generation）工作是最风行的 AIGC 工作之一，旨在生成与给定文本对应的图像。在先前的工作中，阿里云机器学习 PAI 团队开源了 PAI-Diffusion 系列模型（看这里），包含一系列通用场景和特定场景的文图生成模型，例如新诗配图、二次元动漫、魔幻事实等。这些模型的 Pipeline 除了包含规范的 Latent Diffusion Model，还集成了 PAI 团队先前提出的中文 CLIP 跨模态对齐模型（看这里），及图像超分模型，使得模型能够生成合乎中文文本形容的、各种场景下的高清大图。因为在特定场景下，用户往往有对这些中文 Diffusion 模型调优（Fine-tune）的需要，而且在线上部署方面，因为 Diffusion 模型推理速度比较慢，而且须要消耗较多的硬件资源。在本次的工作中，咱们在 EasyNLP 算法框架中，对先前提出的 PAI-Diffusion 模型性能进行降级，全链路反对模型调优。在模型推理方面，联合由 PAI 自主研发的编译优化工具 PAI-Blade，反对对 PAI-Diffusion 模型的端到端的导出和推理减速，在 A10 机器下做到了 1s 内的中文大图生成。

本⽂首先介绍如何体验 PAI-Diffusion 模型以及其在线部署、减速推理能力。其次，咱们简略回顾了 PAI-Diffusion 模型的架构，之后具体介绍了在 EasyNLP 算法框架中对上述模型进行调优的全链路反对。

轻松体验 PAI-Diffusion 模型

首先让咱们轻松体验 PAI-Diffusion 模型。

在线体验

PAI-Diffusion 模型能够用于各种格调的艺术画的生成。这个模型的参数量仅 10 亿，应用一张 P100 GPU 显卡，就能够生成 1024*1024 的高清大图，示例如下。

咱们在 AI 模型开源社区 ModelScope 的创空间上线了咱们的一个 PAI-Diffusion 模型（体验链接），欢送宽广用户体验。

PAI-Diffusion 模型架构回顾

咱们简略回顾一下 PAI-Diffusion 模型的技术架构。简略的说，PAI-Diffusion 模型是面向中文的、基于隐式扩散模型（Latent Diffusion Model, LDM）的文图生成模型。因为中英文在文化和表白上具备很大的差异性，产出的模型通常无奈建模中文特有的景象。PAI-Diffusion 模型由阿里云机器学习（PAI）团队公布并开源，除了能够用于通用文图生成场景，还具备一系列特定场景的定制化中文 Diffusion 模型，包含新诗配图、二次元动漫、魔幻事实等。PAI-Diffusion 的模型 Pipeline 架构，包含中文 CLIP 模型、Diffusion 模型、图像超分模型等：

具体地说，中文 CLIP 模型把中文文本输出转化成 Embedding 向量，咱们采纳 EasyNLP 中文 CLIP 跨模态对齐模型（看这里）的 Text Transformer 作为 Text Encoder。咱们把中文 CLIP 模型的输入作为 LDM 的输出，训练模型生成文本对应的图片。可选地，PAI-Diffusion 模型链路中还集成了 ESRGAN 作为图像超分模型，晋升图片的分辨率。

PAI-Diffusion 模型减速推理技术

PAI-Blade 采纳多种模型编译优化技术，能够对基于 Tensorflow/Pytorch 训练的模型进行推理优化减速。

针对基于 PAI-EasyNLP 的 PAI-Diffusion 模型 和社区的 Stable-Diffusion 模型的推理进行测速剖析，针对推理的次要局部，引入了编译优化和 flashattention 的推理减速技术，胜利将整个推理链路均匀提速 75% 以上，具体减速比视推理步数略有不同，具体能够参考下表（测试推理机器 Nvidia-A10，输入图片分辨率 512×512）：

综上能够看到，引入 PAI 自主研发的模型推理减速工具 Blade 能大幅度晋升 DiffusionModel 的推理速度，升高服务提早，节俭计算资源。

PAI-Diffusion 模型的微调和微调后模型部署

在本次更新中，咱们在 PAI-EasyNLP 算法框架对 PAI-Diffusion 模型的调优做了全面反对。咱们介绍如何在 PAI-Diffusion 模型的训练流程，以及如何在 PAI 的产品中部署上述微调后的模型用于在线服务。

装置 EasyNLP

用户能够间接参考链接的阐明装置 EasyNLP 算法框架。

数据筹备

首先筹备训练数据与验证数据，为 tsv 文件。这⼀⽂件蕴含以制表符 \t 分隔的三列（idx, text, imgbase64），第一列是文本编号，第二列是文本，第三列是对应图片的 base64 编码。样例如下：

64b4109e34a0c3e7310588c00fc9e157    韩国可恶日系袜子女中筒袜春秋薄款纯棉学院风街头卡通兔子长袜潮    iVBORw0KGgoAAAAN...MAAAAASUVORK5CYII=

为了不便开发者，咱们也提供了转换图片到 base64 编码的示例代码：

import base64
from io import BytesIO
from PIL import Image

img = Image.open(fn)
img_buffer = BytesIO()
img.save(img_buffer, format=img.format)
byte_data = img_buffer.getvalue()
base64_str = base64.b64encode(byte_data) # bytes

下列文件曾经实现预处理，可用于测试：

# train
https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/painter_text2image/T2I_train.tsv

# valid
https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/painter_text2image/T2I_val.tsv

# test
https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/painter_text2image/T2I_test.tsv

模型微调

咱们采纳以下命令对 PAI-Diffusion 模型进行 fine-tune：

easynlp \
    --mode=train \
    --worker_gpu=1 \
    --tables=T2I_train.tsv,T2I_val.tsv \
    --input_schema=idx:str:1,text:str:1,imgbase64:str:1 \
    --first_sequence=text \
    --second_sequence=imgbase64 \
    --checkpoint_dir=./finetuned_model \
    --learning_rate=4e-5 \
    --epoch_num=3 \
    --random_seed=42 \
    --logging_steps=100 \
    --save_checkpoint_steps=1000 \
    --sequence_length=288 \
    --micro_batch_size=16 \
    --app_name=latent_diffusion \
    --user_defined_parameters='
        pretrain_model_name_or_path=alibaba-pai/pai-diffusion-general-large-zh
        reset_model_state_flag=True
      ' 

训练实现后模型被保留到./finetune_model/。

模型离线推理

模型训练结束后，咱们能够将其用于图片的生成，示例如下：

easynlp \
      --mode=predict \
      --worker_gpu=1 \
      --tables=T2I_test.tsv \
      --input_schema=idx:str:1,text:str:1 \
      --output_schema=text \
      --outputs=./output.tsv \
      --first_sequence=text \
      --checkpoint_dir=./finetuned_model \
      --random_seed=42 \
      --logging_steps=100 \
      --save_checkpoint_steps=500 \
      --sequence_length=32 \
      --micro_batch_size=16 \
      --app_name=latent_diffusion \
      --user_defined_parameters='
              n_samples=2
            write_image=True
            image_prefix=./output/
        '

间接在线部署

用户能够应用 PAI-EAS 自定义服务部署形式，应用如下 config 部署咱们曾经打包好的相干 processor 进行服务部署即可。咱们提供了一个测试模型以供体验模型的推理速度，部署在 A10/T4/V100 GPU 的 config 参考如下，您须要将 resource 字段替换成本人的资源组：

{
    "baseimage": "registry.cn-shanghai.aliyuncs.com/eas/eas-worker-amd64:0.6.8",
    "data_image": "registry.cn-shanghai.aliyuncs.com/pai-ai-test/eas-service:ch_ldm_v100",
    "metadata": {
        "cpu": 15,
        "gpu": 1,
        "instance": 1,
        "memory": 50000,
        "name": "ch_ldm_easynlp",
        "resource": "请替换成本人的资源组",
        "rpc": {
            "keepalive": 50000,
            "worker_threads": 5
        }
    },
    "model_path": "http://pai-vision-exp.oss-cn-zhangjiakou.aliyuncs.com/wzh-zhoulou/dl_eas_processor/ch_ldm/ch_ldm_blade_220206/eas_model_20230206_noblade.tar.gz",
    "processor_entry": "./app.py",
    "processor_path": "http://pai-vision-exp.oss-cn-zhangjiakou.aliyuncs.com/wzh-zhoulou/dl_eas_processor/ch_ldm/ch_ldm_blade_220206/eas_processor_20230206.tar.gz",
    "processor_type": "python",
    "name": "ch_ldm_easynlp"
} 

如果您须要体验 Blade 优化后的推理速度，能够在 A10 GPU 中进行部署，用户须要将上述 model_path 的值替换为 http://pai-vision-exp.oss-cn-zhangjiakou.aliyuncs.com/wzh-zhoulou/dl_eas_processor/ch_ldm/ch_ldm_blade_220206/eas_model_20230206.tar.gz。

当服务部署胜利后，能够应用如下格局的 request body 进行测试：

{
    "text": "测试文本",
    "num_inference_steps": 20,
    "num_images": 1
}

在线服务返回示例如下：

{
    "text": "测试文本",
    "images_base64": ["...", "...", ...]
}

images_base64 字段返回生成图像的 base64 编码，生成图像数量由 request body 中的参数指定。

微调后部署

用户也能够应用 EasyNLP 进行微调训练后部署，须要将如下训练后的 ckpt 打包替换下面 json 中的 model_path 字段：

打包命令示例如下：

cd finetuned_model/
tar czf finetuned_model.tar.gz config.json pytorch_model.bin RRDB_ESRGAN_x4.pth vocab.txt

而后，采纳前述 config 将模型部署到 PAI-EAS，倡议应用的 GPU 型号为 A10/T4/V100。

如果用户须要应用 Blade 减速，反对应用 A10/A100 GPU 机器资源进行部署，请分割咱们获取 Blade 相干教程。

将来瞻望

在这一期的工作中，咱们对 PAI-Diffusion 模型的性能进行重大降级，在 EasyNLP 框架中（https://github.com/alibaba/EasyNLP）反对全链路模型的调优和在线部署，使得用户能一键实现模型的调优，并且在阿里云 PAI 平台上便捷部署在线服务。此外，阿里云机器学习 PAI 团队也在继续推动中文多模态模型的自研工作，欢送用户继续关注咱们，也欢送退出咱们的开源社区，共建中文 NLP 和多模态算法库！

Github 地址：https://github.com/alibaba/EasyNLP

Reference

1. Chengyu Wang, Minghui Qiu, Taolin Zhang, Tingting Liu, Lei Li, Jianing Wang, Ming Wang, Jun Huang, Wei Lin. EasyNLP: A Comprehensive and Easy-to-use Toolkit for Natural Language Processing. EMNLP 2022
2. Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, Björn Ommer. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022
3. Alec Radford, Jong Wook Kim, Chris Hallacy, Aditya Ramesh, Gabriel Goh, Sandhini Agarwal, Girish Sastry, Amanda Askell, Pamela Mishkin, Jack Clark, Gretchen Krueger, Ilya Sutskever. Learning Transferable Visual Models From Natural Language Supervision. ICML 2021
4. Dao T, Fu D Y, Ermon S, et al. Flashattention: Fast and memory-efficient exact attention with io-awareness. arXiv preprint arXiv:2205.14135, 2022

EasyNLP 阿里灵杰回顾

EasyNLP 是阿里云机器学习 PAI 团队基于 PyTorch 开发的易用且丰盛的中文 NLP 算法框架，反对罕用的中文预训练模型和大模型落地技术，并且提供了从训练到部署的一站式 NLP 开发体验。EasyNLP 提供了简洁的接口供用户开发 NLP 模型，包含 NLP 利用 AppZoo 和预训练 ModelZoo，同时提供技术帮忙用户高效的落地超大预训练模型到业务。因为跨模态了解需要的一直减少，EasyNLP 也将反对各种跨模态模型，特地是中文畛域的跨模态模型，推向开源社区，心愿可能服务更多的 NLP 和多模态算法开发者和研究者，也心愿和社区一起推动 NLP / 多模态技术的倒退和模型落地。

• 阿里灵杰：阿里云机器学习 PAI 开源中文 NLP 算法框架 EasyNLP，助力 NLP 大模型落地
• 阿里灵杰：预训练常识度量较量夺冠！阿里云 PAI 公布常识预训练工具
• 阿里灵杰：EasyNLP 带你玩转 CLIP 图文检索
• 阿里灵杰：EasyNLP 中文文图生成模型带你秒变艺术家
• 阿里灵杰：EasyNLP 集成 K -BERT 算法，借助常识图谱实现更优 Finetune
• 阿里灵杰：中文稠密 GPT 大模型落地 — 通往低成本 & 高性能多任务通用自然语言了解的要害里程碑
• 阿里灵杰：EasyNLP 玩转文本摘要（新闻标题）生成
• 阿里灵杰：跨模态学习能力再降级，EasyNLP 电商文图检索成果刷新 SOTA
• 阿里灵杰：EasyNLP 带你实现中英文机器浏览了解
• 阿里灵杰：EasyNLP 公布交融语言学和事实常识的中文预训练模型 CKBERT
• 阿里灵杰：当大火的文图生成模型遇见常识图谱，AI 画像趋近于真实世界
• 阿里灵杰：PAI-Diffusion 模型来了！阿里云机器学习团队带您徜徉中文艺术陆地