debug 4

app.py

@@ -1,63 +1,42 @@
 import gradio as gr
 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]
+    return pipeline(prompt).images  # [0]
+
 
-########################################
-#Bild erzeugen - nich über Pipeline sondern mit mehr Einstellungsmöglichkeiten
-def erzeuge_komplex(prompt):    
+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")
+# pipeline = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2")
+pipeline = DiffusionPipeline.from_pretrained("google/ddpm-cat-256")
 
-########################################
-#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")
+pipeline.to("cuda")
 
 
-######################################################
-#Gradio UI erzeugen
-######################################################
 with gr.Blocks() as demo:
     with gr.Column(variant="panel"):
         with gr.Row(variant="compact"):
@@ -79,4 +58,4 @@ with gr.Blocks() as demo:
     text.submit(erzeuge, inputs=[text], outputs=[gallery])
 
 if __name__ == "__main__":
-    demo.launch()
+    demo.launch()

app1.py

@@ -7,19 +7,21 @@ 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):
+    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),
+        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"),
+    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",