5月 2023 - Planaria Work Log

Apple Silicon（M1 / M2）MacのGPU（Metal / mps）を使ってStable DiffusionのLoRAを学習させる。 環境構築 インストール Miniforgeとかは入っていて、Pythonの仮想環境も構築済みとする。(ここでは、PythonバージョンはPython 3.10.6で実施した)仮想環境に入って以下のように環境構築を行う。 # metal用のpytorchをインストール pip3 install torch torchvision # metal用のtensorflowをインストール conda install -c apple tensorflow-deps pip3 install tensorflow-macos tensorflow-metal tensorboard # diffusersのインストール pip install diffusers # LoRAの学習用コードをダウンロード git clone https://github.com/bmaltais/kohya_ss.git cd kohya_ss # requirements.txt の tensorflow, tensorboard はコメントアウトする pip install -r requirements.txt Acceleratorの設定 # acceleratorの設定をする accelerate config ＃以下のように答える -------------------------------------------------------------------------------- In which compute environment are you running? This machine -------------------------------------------------------------------------------- Which type of machine are you using? No distributed training Do you want to run your training on CPU only (even if a GPU / Apple Silicon device is available)? [yes/NO]:NO Do you wish to optimize your script with torch dynamo?[yes/NO]:NO -------------------------------------------------------------------------------- Do you wish to use FP16 or BF16 (mixed precision)? no accelerate configuration saved at ~/.cache/huggingface/accelerate/default_config.yaml 学習用のデータを準備 詳しくは、配布元の説明を参照すること。 作成場所はどこでも良いが、配布元の説明にあるように、ディレクトリ構造と命名規則は守る。画像のファイル名や種類は適当にする。 学習用のディレクトリを作成する（作成場所・名前は自由/今回はtrainとした） 学習用のディレクトリ配下に学習画像を格納するディレクトリを作る名前は、「&lt;繰り返し回数&gt;_&lt;学習させる概念を表すワード&gt; &lt;学習させる概念を包括するワード&gt;」とする例えば、自分の飼っている犬の画像をpochiという単語に学習させるなら、「20_pochi dog」のようにする 学習データを格納するディレクトリ配下に学習させる画像を入れる（画像のファイル名や種類は適当で良い） 必要であれば正規化用のディレクトリを作成する（作成場所・名前は自由/今回はregとした）正規化画像があると、例えばpochiを学習させる際にdogがpochiに影響されるのを防いでくれるらしい 正規化用のディレクトリ配下に正規化画像を格納するディレクトリを作る名前は、「&lt;繰り返し回数&gt;_&lt;学習させる概念を包括するワード&gt;」とする例えば、自分の買っている犬の画像をpochiという単語に学習させるなら、「20_dog」のようにする 学習元のモデルに&lt;学習させる概念を包括するワード&gt;（今回はdog）をプロンプトに入力して、正規化画像を生成する 正規化画像を格納するディレクトリ配下に正規化画像を入れる（画像のファイル名や種類は適当で良い） LoRAの出力用のディレクトリを作成する（作成場所・名前は自由/今回はoutputsとした） . ├── train │ └── 20_pochi dog │ ├── AAA1.jpg │ ├── AAA2.jpg │ ├── AAA3.jpg ├── reg │ └── 20_dog │ ├── BBB1.png │ ├── BBB2.png │ ├── BBB3.png │ ├── BBB4.png │ ├── BBB5.png └── outputs 学習の実行 kohya_gui.pyを使いたいが、UI周りのエラーが出て解消する気力がなかったので、とりあえずCUIを使う。(コピペしてzsh: no such file or directoryが出たら\の後ろに余分な空白が無いか確認する) accelerate launch --num_cpu_threads_per_process 4 train_network.py \ --pretrained_model_name_or_path=&quot;your_base_model_path/model_name.safetensors&quot; \ --train_data_dir=&quot;kohya_ss/data/train&quot; \ --reg_data_dir=&quot;kohya_ss/data/reg&quot; \ --prior_loss_weight=1.0 --resolution 512 \ --output_dir=&quot;kohya_ss/data/outputs&quot; \ --output_name=your_lora_name \ --train_batch_size=2 --learning_rate=1e-4 --max_train_epochs 4 \ --seed 42 --save_model_as=safetensors --save_every_n_epochs=1 \ --max_data_loader_n_workers=1 \ --network_module=networks.lora --network_dim=4 \ --training_comment=&quot;activate by pochi dog&quot; \ --enable_bucket --bucket_no_upscale \ --optimizer_type=&quot;AdamW&quot; --mixed_precision=&quot;no&quot; --save_precision=&quot;float&quot; --pretrained_model_name_or_path：学習元のモデルへのパス --train_data_dir：学習用ディレクトリへのパス（今回はtrainディレクトリ） --reg_data_dir：正規化用ディレクトリへのパス（今回はregディレクトリ） --max_train_epochs：エポック数 --output_name：LoRAの名前（自由） --enable_bucket --bucket_no_upscale：学習に使う画像が大きすぎると怒られるので設定した --train_batch_size：ミニバッチサイズ（メモリに合わせて変更する） --optimizer_type：オプティマイザーとか好きなのを使いたいなら変更する 上記の引数はとりあえず動くように調整したものなので、学習を効率的に行うには要調整。ただし、fp16とかAdamW8bitとかを使おうとすると多分動かないので注意。また、実行環境がM1Max（64GB）なのでメモリ周りは調整が必要かも… その他、引数については配布元のページを参照すること。https://github.com/kohya-ss/sd-scripts/blob/main/train_README-ja.mdhttps://github.com/kohya-ss/sd-scripts/blob/main/train_network_README-ja.md 学習時に途中経過のサンプル画像を生成したい場合 学習を開始するコマンドに引数を追加する --sample_every_n_epochs=1 \ --sample_sampler=&quot;k_euler_a&quot; \ --sample_prompts=&quot;kohya_ss/data/prompt.txt&quot; 生成用のプロンプトをテキストファイルに保存しておく。 # prompt 1 pochi, run --w 512 --h 512 --d 1 --l 7.5 --s 20 生成用のコードがcuda用なので、kohya_ss/library/train_util.py内にあるcudaと書かれている部分をmpsに書き換えてmps用に改変する。（テキストエディタの置換であっさりと通った） 変更箇所の詳細 以下の箇所を変更しました。 ① 2939行目 ② 3330行目 ③ 3387行目 ④ 3434行目・3437行目 ただし、ダウンロードしたコードのバージョンによってはうまくいかない可能性があります。ちなみに、筆者の環境でダウンロードしているkohya_ssレポジトリのコミットのハッシュは 52dd50fb91841ecdbb3c7b89df3ca9944ec00216 です。その場合は、最新のコードに合わせて修正するか、以下のように筆者の環境とバージョンを揃えてコードを修正してみてください。 git clone https://github.com/bmaltais/kohya_ss.git cd kohya_ss git branch test_branch 52dd50fb91841ecdbb3c7b89df3ca9944ec00216 git checkout test_branch Pytorchバージョンの注意 Pytorch1.13.0前後のバージョンを使用していると、LossがNaNになるというバグがある。https://github.com/pytorch/pytorch/issues/88331 現在は修正されているので、アップグレードする。 pip3 install -U torch torchvision torchaudio 学習したLoRAを使用する 学習したモデルはoutput_dirで指定したディレクトリ（ここではoutputs）に保存されている。あとは、web-uiなどを使って普通にLoRAを使用すればよい。

2023年5月

LLMにおいてPEFTを使ってLoRAでテキスト分類用の学習を行う際のメモ

GoogleDrive上のWordファイル・Googleドキュメントファイルをフォルダ構造を変えずにPDF化するGASコード

Macでドライブが認識はされているが、マウントできないという問題を解決

Apple Silicon（M1 / M2）MacのGPUでStable DiffusionのLoRAを学習