debug 2

app.py

@@ -1,26 +1,82 @@
-# from diffusers import DiffusionPipeline
-from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline
-import torch
 import gradio as gr
-import random
-
-pipeline = DDPMPipeline.from_pretrained("google/ddpm-cat-256")
-# pipeline.to("cuda")
-
-def predict(steps, seed):
- generator = torch.manual_seed(seed)
- for i in range(1,steps):
- yield pipeline(generator=generator, num_inference_steps=i).images[0]
-
-random_seed = random.randint(0, 2147483647)
-gr.Interface(
- predict,
- inputs=[
- gr.inputs.Slider(1, 100, label='Inference Steps', default=5, step=1),
- gr.inputs.Slider(0, 2147483647, label='Seed', default=random_seed, step=1),
- ],
- outputs=gr.Image(shape=[128,128], type="pil", elem_id="output_image"),
- css="#output_image{width: 256px}",
- title="Unconditional butterflies",
- description="图片生成器",
-).queue().launch()
+from diffusers import DiffusionPipeline
+import torch
+#für die komplexere Variante der Erzeugung
+from diffusers import DDPMScheduler, UNet2DModel
+from PIL import Image
+import numpy as np
+
+
+##############################################
+#Hilfsfunktionen
+##############################################
+
+#######################################
+#Bild nach dem eingegebenen prompt erzeugen - mit Pipeline
+def erzeuge(prompt):
+ return pipeline(prompt).images #[0]
+
+########################################
+#Bild erzeugen - nich über Pipeline sondern mit mehr Einstellungsmöglichkeiten
+def erzeuge_komplex(prompt): 
+ scheduler = DDPMScheduler.from_pretrained("google/ddpm-cat-256")
+ model = UNet2DModel.from_pretrained("google/ddpm-cat-256").to("cuda")
+ scheduler.set_timesteps(50)
+ 
+ sample_size = model.config.sample_size
+ noise = torch.randn((1, 3, sample_size, sample_size)).to("cuda")
+ input = noise
+ 
+ for t in scheduler.timesteps:
+ with torch.no_grad():
+ noisy_residual = model(input, t).sample
+ prev_noisy_sample = scheduler.step(noisy_residual, t, input).prev_sample
+ input = prev_noisy_sample
+ 
+ image = (input / 2 + 0.5).clamp(0, 1)
+ image = image.cpu().permute(0, 2, 3, 1).numpy()[0]
+ image = Image.fromarray((image * 255).round().astype("uint8"))
+ return image
+
+######################################################
+#Modelle laden
+#######################################
+#Alternativ erzeugen
+#gr.Interface.load("models/stabilityai/stable-diffusion-2").launch()
+
+#######################################
+#Alternativ: Model über pipeline laden
+pipeline = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2")
+pipeline.to("cuda")
+
+########################################
+#Alternativ: Bild erzeugen - nicht über Pipeline sondern mit mehr Einstellungsmöglichkeiten 
+#scheduler = DDPMScheduler.from_pretrained("google/ddpm-cat-256")
+#model = UNet2DModel.from_pretrained("google/ddpm-cat-256").to("cuda")
+
+
+######################################################
+#Gradio UI erzeugen
+######################################################
+with gr.Blocks() as demo:
+ with gr.Column(variant="panel"):
+ with gr.Row(variant="compact"):
+ text = gr.Textbox(
+ label="Deine Beschreibung:",
+ show_label=False,
+ max_lines=1,
+ placeholder="Bildbeschreibung",
+ ).style(
+ container=False,
+ )
+ btn = gr.Button("erzeuge Bild").style(full_width=False, min_width=100)
+
+ gallery = gr.Gallery(
+ label="Erzeugtes Bild", show_label=False, elem_id="gallery"
+ ).style(columns=[2], rows=[2], object_fit="contain", height="auto")
+
+ btn.click(erzeuge, inputs=[text], outputs=[gallery])
+ text.submit(erzeuge, inputs=[text], outputs=[gallery])
+
+if __name__ == "__main__":
+ demo.launch()

app1.py

@@ -0,0 +1,26 @@
+# from diffusers import DiffusionPipeline
+from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline
+import torch
+import gradio as gr
+import random
+
+pipeline = DDPMPipeline.from_pretrained("google/ddpm-cat-256")
+# pipeline.to("cuda")
+
+def predict(steps, seed):
+ generator = torch.manual_seed(seed)
+ for i in range(1,steps):
+ yield pipeline(generator=generator, num_inference_steps=i).images[0]
+
+random_seed = random.randint(0, 2147483647)
+gr.Interface(
+ predict,
+ inputs=[
+ gr.inputs.Slider(1, 100, label='Inference Steps', default=5, step=1),
+ gr.inputs.Slider(0, 2147483647, label='Seed', default=random_seed, step=1),
+ ],
+ outputs=gr.Image(shape=[128,128], type="pil", elem_id="output_image"),
+ css="#output_image{width: 256px}",
+ title="Unconditional butterflies",
+ description="图片生成器",
+).queue().launch()

requirements.txt

@@ -1,3 +1,5 @@
-diffusers==0.23.1
-gradio==4.4.1
-torch
+diffusers[torch]==0.23.1
+gradio=4.4.1
+torch==2.1.1
+accelerate
+transformers==4.29.1