点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

内容来自知乎，「3D视觉工坊」整理，如有侵权请联系删除 https://www.zhihu.com/question/609134632

扩散模型有什么算力要求不高，1张显卡即可胜任的研究领域呢？

作者 无所知

从训练角度看，文生图类的扩散模型，有几个方向。

一个是从头训练一个新的结构或者新的模型，例如Google的Imagen系列，只有一个非官方实现的框架，你想在它上面做实验，那就需要自己从头训练，这就需要天量的算力了（基本是256*A100这个级别的），单卡就别想了。

另一个是对现有模型进行微调，微调的方式有很多，比如1）传统的finetune模式；2）基于lora的微调；这里面传统的finetune是最费算力的，不比从头训少消耗多少算力；lora算是最省算力的，目前有8G单卡就能跑的方案。

另外看图像编辑，图像编辑有很多，我举几个例子，1）基于原始sd的inpainting方案/基于新sd的inpainting的方案，具体的区别可以看看我之前的文章；2）像controlnet或者t2iadapter的额外链接，对生成进行控制；3）prompt-to-prompt，文本修改引导图像固定区域修改；4）paint-by-example，用图像而非文本引导生成......

这里面，非要说单卡能跑的就是“基于原始sd的inpainting方案”，因为这不涉及训练，只涉及如何组合的问题；另外几个都需要大量的实验和训练，单卡比较难。

回到这个问题上，单卡情况下，我觉得可以考虑试着研究下lora，比如现在的lora位置是否是最优位置，能否有更优化的调整方案？或者看看lora在文生3D领域能否有什么应用？

作者 书痴梦笔

在只有一张GPU卡的情况下，你可以研究和发表的方向有很多，以下是一些建议：

1. 性能优化：针对你的扩散模型，你可以尝试优化算法和代码以提高模型的训练速度和推理速度。这可能涉及到并行计算、内存管理、计算图优化等方面。

2. 模型压缩：将扩散模型进行压缩，以减少模型的存储需求和计算资源需求。你可以尝试使用剪枝、量化、低秩分解等技术来减小模型的大小和计算复杂度。

3. 模型并行化：通过将模型的层或子模块分配到不同的GPU上，实现模型的并行计算，从而加快训练速度或推理速度。这可以通过数据并行或模型并行来实现。

4. 超参数调优：尝试使用不同的超参数设置来训练扩散模型，以找到最佳的参数配置。你可以探索学习率、正则化参数、批量大小等超参数的最佳组合，以优化模型性能。

5. 模型扩展：基于扩散模型的基本思想，探索模型的扩展和改进。你可以尝试设计新的模型结构、引入注意力机制、改进模型的层次结构等，以提升模型的性能。

6. 应用领域：将扩散模型应用到特定领域或任务中。你可以选择一个特定的应用领域，如图像处理、自然语言处理等，然后尝试将扩散模型用于该领域的相关任务，并比较其性能表现。

当涉及到特定研究领域和扩散模型的方向时，以下是一些相关的参考文献，供你作为起点进行进一步研究：

1. Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., ... & Ghemawat, S. (2016). TensorFlow: Large-scale machine learning on heterogeneous systems. [arXiv preprint arXiv:1603.04467](TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems).

2. Han, S., Mao, H., & Dally, W. J. (2016). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. In International Conference on Learning Representations (ICLR).

3. Keskar, N. S., Mudigere, D., Nocedal, J., Smelyanskiy, M., & Tang, P. T. P. (2017). On large-batch training for deep learning: Generalization gap and sharp minima. In International Conference on Learning Representations (ICLR).

4. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (NIPS).

5. Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.

6. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems (NIPS).

这些参考文献覆盖了深度学习、模型压缩、模型优化和注意力机制等领域的一些经典工作和重要论文。你可以根据自己的研究方向和兴趣，深入阅读这些论文，并根据相关引用和参考文献进一步拓展你的文献调研。记得始终关注最新的研究进展，以保持对领域最新动态的了解。

当然如果只有单卡的话， 我个人还是比较倾向建议去做模型压缩方面的研究工作，毕竟大模型的小型化单卡个性化部署是未来的发展方向，以下是一些与模型压缩相关的研究文献，这些文献涵盖了不同的模型压缩方法和技术：

1. Han, S., Mao, H., & Dally, W. J. (2016). Deep compression: Compressing deep neural networks with pruning, trained quantization and huffman coding. In International Conference on Learning Representations (ICLR).

2. Courbariaux, M., Hubara, I., Soudry, D., El-Yaniv, R., & Bengio, Y. (2016). Binarized neural networks: Training deep neural networks with weights and activations constrained to +1 or -1. In Advances in Neural Information Processing Systems (NIPS).

3. Wu, S., Leng, C., Wang, Y., Hu, Q., & Cheng, J. (2016). Quantized convolutional neural networks for mobile devices. In Computer Vision and Pattern Recognition (CVPR).

4. Zhu, C., Han, S., Mao, H., & Dally, W. J. (2017). Trained ternary quantization. In International Conference on Learning Representations (ICLR).

5. Rastegari, M., Ordonez, V., Redmon, J., & Farhadi, A. (2016). XNOR-Net: ImageNet classification using binary convolutional neural networks. In European Conference on Computer Vision (ECCV).

6. Louizos, C., Ullrich, K., & Welling, M. (2018). Bayesian compression for deep learning. In International Conference on Learning Representations (ICLR)

7. Molchanov, P., Tyree, S., Karras, T., Aila, T., & Kautz, J. (2017). Pruning convolutional neural networks for resource efficient inference. In International Conference on Learning Representations (ICLR).

8. Li, H., Kadav, A., Durdanovic, I., Samet, H., & Graf, H. P. (2016). Pruning filters for efficient convnets. In International Conference on Learning Representations (ICLR).

这些文献代表了模型压缩领域的一些重要工作，涉及到剪枝（pruning）、量化（quantization）、二值网络（binary networks）、低秩分解（low-rank decomposition）和贝叶斯压缩（Bayesian compression）等不同的方法和技术。阅读这些文献可以帮助你了解模型压缩的最新研究进展和方法，以及它们在深度学习领域的应用。

以上只是一些可能的研究方向，你可以根据自己的兴趣和背景选择适合的方向进行研究。同时，还建议查阅相关领域的最新文献，了解当前的研究热点和前沿工作，以便找到一个有足够创新性和学术价值的研究方向。

这里给大家推荐一门我们最新的课程《扩散模型入门教程：数学原理、方法与应用》：

课程亮点

• 从零开始，无需基础：目前全网缺乏系统性资料、小白入门无从下手。我们知道学习新技术可能让小白感到有压力。因此，这门课程特别设计了循序渐进的学习路径，从数学基础回顾、传统图像生成方法介绍、到扩散模型的详细讲解和代码实现，引导小白入门扩散模型。

• 理论与实践结合：不仅为你介绍扩散模型的核心原理，还将通过实际操作手把手教你如何使用这些模型生成内容。你将学会如何使用工具如Python、Pytorch等流行编程语言和库，搭建并训练自己的扩散模型。

• 小而精的项目实战：学习扩散模型的最佳方式是动手实践。在课程中，你将从零搭建一个扩散模型，实现图像的生成，全面了解该模型的基本原理。

你将收获什么？

1. 深入理解扩散模型的原理：课程将深入浅出地讲解扩散过程、反扩散过程等核心概念，帮助你从根本上特别是数学角度理解这项技术。

2. 动手构建扩散模型：你将学会如何从头开始构建一个扩散模型，掌握模型训练的流程，并学会举一反三， 根据业务需要构建扩散模型。

3. 了解扩散模型多场景的应用能力：扩散模型不仅用于图像生成，它还能广泛应用于文本生成图像、视频生成、数据增强等领域。我们会带你探索这些不同的应用方向，帮助你找到适合自己的兴趣点。

适合谁来学习？

• AI初学者：如果你是人工智能的初学者，希望在生成模型领域中快速入门，那么这门课程非常适合你。我们将从基本概念开始，逐步深入，让你轻松掌握核心技术。

• 开发者和程序员：如果你已经有编程基础，并想涉足AI领域，扩散模型是一个理想的切入点。课程中的实践环节将帮助你快速上手，并将理论知识应用于实际项目中。

• AI爱好者和创作者：无论你是对AI生成艺术感兴趣的创作者，还是想了解更多AI技术的爱好者，这门课将为你提供一个全新的创造力工具，帮助你搭建自己的生成模型实现更多的艺术创意。

课程答疑

本课程答疑主要在本课程对应的鹅圈子中答疑，学员学习过程中，有任何问题，可以随时在鹅圈子中提问。

备注：以上图片和视频部分来自网络，如果侵犯了您的权益，还请联系删除！