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