phenaki pytorch ดาวน์โหลด - phenaki pytorch ดาวน์โหลดซอร์สโค้ด

ฟีนากิ - ไพทอร์ช

การใช้งาน Phenaki Video ซึ่งใช้ Mask GIT เพื่อสร้างวิดีโอแนะนำด้วยข้อความที่มีความยาวสูงสุด 2 นาทีใน Pytorch นอกจากนี้ยังจะรวมเทคนิคอื่นที่เกี่ยวข้องกับการวิจารณ์โทเค็นเพื่อคนรุ่นที่ดีกว่าอีกด้วย

กรุณาเข้าร่วมหากคุณสนใจที่จะทำซ้ำงานนี้ในที่สาธารณะ

คำอธิบาย AI Coffeebreak

ความชื่นชม

Stability.ai สำหรับการสนับสนุนอย่างมีน้ำใจในการทำงานวิจัยปัญญาประดิษฐ์ที่ล้ำหน้า
- กอดกันเพื่อหม้อแปลงที่น่าทึ่งและเร่งห้องสมุด
Guillem สำหรับการสนับสนุนอย่างต่อเนื่องของเขา
คุณ? หากคุณเป็นวิศวกรแมชชีนเลิร์นนิงและ/หรือนักวิจัยที่ยอดเยี่ยม อย่าลังเลที่จะมีส่วนร่วมในขอบเขตของ AI แบบโอเพ่นซอร์ส

ติดตั้ง

$ pip install phenaki-pytorch

การใช้งาน

C-ViViT

 import torch
from phenaki_pytorch import CViViT , CViViTTrainer

cvivit = CViViT (
    dim = 512 ,
    codebook_size = 65536 ,
    image_size = 256 ,
    patch_size = 32 ,
    temporal_patch_size = 2 ,
    spatial_depth = 4 ,
    temporal_depth = 4 ,
    dim_head = 64 ,
    heads = 8
). cuda ()

trainer = CViViTTrainer (
    cvivit ,
    folder = '/path/to/images/or/videos' ,
    batch_size = 4 ,
    grad_accum_every = 4 ,
    train_on_images = False ,  # you can train on images first, before fine tuning on video, for sample efficiency
    use_ema = False ,          # recommended to be turned on (keeps exponential moving averaged cvivit) unless if you don't have enough resources
    num_train_steps = 10000
)

trainer . train ()               # reconstructions and checkpoints will be saved periodically to ./results

ฟีนากิ

 import torch
from phenaki_pytorch import CViViT , MaskGit , Phenaki

cvivit = CViViT (
    dim = 512 ,
    codebook_size = 65536 ,
    image_size = ( 256 , 128 ),  # video with rectangular screen allowed
    patch_size = 32 ,
    temporal_patch_size = 2 ,
    spatial_depth = 4 ,
    temporal_depth = 4 ,
    dim_head = 64 ,
    heads = 8
)

cvivit . load ( '/path/to/trained/cvivit.pt' )

maskgit = MaskGit (
    num_tokens = 5000 ,
    max_seq_len = 1024 ,
    dim = 512 ,
    dim_context = 768 ,
    depth = 6 ,
)

phenaki = Phenaki (
    cvivit = cvivit ,
    maskgit = maskgit
). cuda ()

videos = torch . randn ( 3 , 3 , 17 , 256 , 128 ). cuda () # (batch, channels, frames, height, width)
mask = torch . ones (( 3 , 17 )). bool (). cuda () # [optional] (batch, frames) - allows for co-training videos of different lengths as well as video and images in the same batch

texts = [
    'a whale breaching from afar' ,
    'young girl blowing out candles on her birthday cake' ,
    'fireworks with blue and green sparkles'
]

loss = phenaki ( videos , texts = texts , video_frame_mask = mask )
loss . backward ()

# do the above for many steps, then ...

video = phenaki . sample ( texts = 'a squirrel examines an acorn' , num_frames = 17 , cond_scale = 5. ) # (1, 3, 17, 256, 128)

# so in the paper, they do not really achieve 2 minutes of coherent video
# at each new scene with new text conditioning, they condition on the previous K frames
# you can easily achieve this with this framework as so

video_prime = video [:, :, - 3 :] # (1, 3, 3, 256, 128) # say K = 3

video_next = phenaki . sample ( texts = 'a cat watches the squirrel from afar' , prime_frames = video_prime , num_frames = 14 ) # (1, 3, 14, 256, 128)

# the total video

entire_video = torch . cat (( video , video_next ), dim = 2 ) # (1, 3, 17 + 14, 256, 128)

# and so on...

หรือเพียงแค่นำเข้าฟังก์ชัน make_video

 # ... above code

from phenaki_pytorch import make_video

entire_video , scenes = make_video ( phenaki , texts = [
    'a squirrel examines an acorn buried in the snow' ,
    'a cat watches the squirrel from a frosted window sill' ,
    'zoom out to show the entire living room, with the cat residing by the window sill'
], num_frames = ( 17 , 14 , 14 ), prime_lengths = ( 5 , 5 ))

entire_video . shape # (1, 3, 17 + 14 + 14 = 45, 256, 256)

# scenes - List[Tensor[3]] - video segment of each scene

แค่นั้นแหละ!

นักวิจารณ์โทเค็น

บทความใหม่ชี้ให้เห็นว่าแทนที่จะอาศัยความน่าจะเป็นที่คาดการณ์ไว้ของแต่ละโทเค็นเพื่อวัดความมั่นใจ เราสามารถฝึกอบรมนักวิจารณ์เพิ่มเติมเพื่อตัดสินใจว่าจะปกปิดอะไรซ้ำๆ ในระหว่างการสุ่มตัวอย่าง คุณสามารถเลือกฝึกอบรมนักวิจารณ์นี้เพื่อคนรุ่นต่อไปที่อาจดีกว่าได้ดังที่แสดงด้านล่าง

 import torch
from phenaki_pytorch import CViViT , MaskGit , TokenCritic , Phenaki

cvivit = CViViT (
    dim = 512 ,
    codebook_size = 65536 ,
    image_size = ( 256 , 128 ),
    patch_size = 32 ,
    temporal_patch_size = 2 ,
    spatial_depth = 4 ,
    temporal_depth = 4 ,
    dim_head = 64 ,
    heads = 8
)

maskgit = MaskGit (
    num_tokens = 65536 ,
    max_seq_len = 1024 ,
    dim = 512 ,
    dim_context = 768 ,
    depth = 6 ,
)

# (1) define the critic

critic = TokenCritic (
    num_tokens = 65536 ,
    max_seq_len = 1024 ,
    dim = 512 ,
    dim_context = 768 ,
    depth = 6 ,
    has_cross_attn = True
)

trainer = Phenaki (
    maskgit = maskgit ,
    cvivit = cvivit ,
    critic = critic    # and then (2) pass it into Phenaki
). cuda ()

texts = [
    'a whale breaching from afar' ,
    'young girl blowing out candles on her birthday cake' ,
    'fireworks with blue and green sparkles'
]

videos = torch . randn ( 3 , 3 , 3 , 256 , 128 ). cuda () # (batch, channels, frames, height, width)

loss = trainer ( videos = videos , texts = texts )
loss . backward ()

หรือง่ายกว่านั้น เพียงใช้ MaskGit ซ้ำอีกครั้งในฐานะ Self Critic (Nijkamp et al) โดยการตั้งค่า self_token_critic = True ในการเริ่มต้นของ Phenaki

 phenaki = Phenaki (
    ...,
    self_token_critic = True  # set this to True
)

บัดนี้เชื้อสายของคุณควรได้รับการปรับปรุงอย่างมาก!

เทรนเนอร์ฟีนากิ

พื้นที่เก็บข้อมูลนี้จะพยายามให้ผู้วิจัยสามารถฝึกอบรมการแปลงข้อความเป็นรูปภาพและแปลงข้อความเป็นวิดีโอได้ ในทำนองเดียวกัน สำหรับการฝึกอบรมแบบไม่มีเงื่อนไข ผู้วิจัยควรสามารถฝึกอบรมเกี่ยวกับรูปภาพก่อนแล้วค่อยปรับแต่งวิดีโอ ด้านล่างนี้เป็นตัวอย่างสำหรับข้อความเป็นวิดีโอ

 import torch
from torch . utils . data import Dataset
from phenaki_pytorch import CViViT , MaskGit , Phenaki , PhenakiTrainer

cvivit = CViViT (
    dim = 512 ,
    codebook_size = 65536 ,
    image_size = 256 ,
    patch_size = 32 ,
    temporal_patch_size = 2 ,
    spatial_depth = 4 ,
    temporal_depth = 4 ,
    dim_head = 64 ,
    heads = 8
)

cvivit . load ( '/path/to/trained/cvivit.pt' )

maskgit = MaskGit (
    num_tokens = 5000 ,
    max_seq_len = 1024 ,
    dim = 512 ,
    dim_context = 768 ,
    depth = 6 ,
    unconditional = False
)

phenaki = Phenaki (
    cvivit = cvivit ,
    maskgit = maskgit
). cuda ()

# mock text video dataset
# you will have to extend your own, and return the (<video tensor>, <caption>) tuple

class MockTextVideoDataset ( Dataset ):
    def __init__ (
        self ,
        length = 100 ,
        image_size = 256 ,
        num_frames = 17
    ):
        super (). __init__ ()
        self . num_frames = num_frames
        self . image_size = image_size
        self . len = length

    def __len__ ( self ):
        return self . len

    def __getitem__ ( self , idx ):
        video = torch . randn ( 3 , self . num_frames , self . image_size , self . image_size )
        caption = 'video caption'
        return video , caption

dataset = MockTextVideoDataset ()

# pass in the dataset

trainer = PhenakiTrainer (
    phenaki = phenaki ,
    batch_size = 4 ,
    grad_accum_every = 4 ,
    train_on_images = False , # if your mock dataset above return (images, caption) pairs, set this to True
    dataset = dataset ,       # pass in your dataset here
    sample_texts_file_path = '/path/to/captions.txt' # each caption should be on a new line, during sampling, will be randomly drawn
)

trainer . train ()

แบบไม่มีเงื่อนไขมีดังนี้

อดีต. การฝึกอบรมภาพและวิดีโอแบบไม่มีเงื่อนไข

 import torch
from phenaki_pytorch import CViViT , MaskGit , Phenaki , PhenakiTrainer

cvivit = CViViT (
    dim = 512 ,
    codebook_size = 65536 ,
    image_size = 256 ,
    patch_size = 32 ,
    temporal_patch_size = 2 ,
    spatial_depth = 4 ,
    temporal_depth = 4 ,
    dim_head = 64 ,
    heads = 8
)

cvivit . load ( '/path/to/trained/cvivit.pt' )

maskgit = MaskGit (
    num_tokens = 5000 ,
    max_seq_len = 1024 ,
    dim = 512 ,
    dim_context = 768 ,
    depth = 6 ,
    unconditional = False
)

phenaki = Phenaki (
    cvivit = cvivit ,
    maskgit = maskgit
). cuda ()

# pass in the folder to images or video

trainer = PhenakiTrainer (
    phenaki = phenaki ,
    batch_size = 4 ,
    grad_accum_every = 4 ,
    train_on_images = True ,                # for sake of example, bottom is folder of images
    dataset = '/path/to/images/or/video'
)

trainer . train ()

สิ่งที่ต้องทำ

การอ้างอิง

 @article { Villegas2022PhenakiVL ,
    title   = { Phenaki: Variable Length Video Generation From Open Domain Textual Description } ,
    author  = { Ruben Villegas and Mohammad Babaeizadeh and Pieter-Jan Kindermans and Hernan Moraldo and Han Zhang and Mohammad Taghi Saffar and Santiago Castro and Julius Kunze and D. Erhan } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2210.02399 }
}

 @article { Chang2022MaskGITMG ,
    title   = { MaskGIT: Masked Generative Image Transformer } ,
    author  = { Huiwen Chang and Han Zhang and Lu Jiang and Ce Liu and William T. Freeman } ,
    journal = { 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } ,
    year    = { 2022 } ,
    pages   = { 11305-11315 }
}

 @article { Lezama2022ImprovedMI ,
    title   = { Improved Masked Image Generation with Token-Critic } ,
    author  = { Jos{'e} Lezama and Huiwen Chang and Lu Jiang and Irfan Essa } ,
    journal = { ArXiv } ,
    year    = { 2022 } ,
    volume  = { abs/2209.04439 }
}

 @misc { ding2021cogview ,
    title   = { CogView: Mastering Text-to-Image Generation via Transformers } ,
    author  = { Ming Ding and Zhuoyi Yang and Wenyi Hong and Wendi Zheng and Chang Zhou and Da Yin and Junyang Lin and Xu Zou and Zhou Shao and Hongxia Yang and Jie Tang } ,
    year    = { 2021 } ,
    eprint  = { 2105.13290 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}

 @misc { shazeer2020glu ,
    title   = { GLU Variants Improve Transformer } ,
    author  = { Noam Shazeer } ,
    year    = { 2020 } ,
    url     = { https://arxiv.org/abs/2002.05202 }
}

 @misc { press2021ALiBi ,
    title   = { Train Short, Test Long: Attention with Linear Biases Enable Input Length Extrapolation } ,
    author  = { Ofir Press and Noah A. Smith and Mike Lewis } ,
    year    = { 2021 } ,
    url     = { https://ofir.io/train_short_test_long.pdf }
}

 @article { Liu2022SwinTV ,
    title   = { Swin Transformer V2: Scaling Up Capacity and Resolution } ,
    author  = { Ze Liu and Han Hu and Yutong Lin and Zhuliang Yao and Zhenda Xie and Yixuan Wei and Jia Ning and Yue Cao and Zheng Zhang and Li Dong and Furu Wei and Baining Guo } ,
    journal = { 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } ,
    year    = { 2022 } ,
    pages   = { 11999-12009 }
}

 @inproceedings { Nijkamp2021SCRIPTSP ,
    title   = { SCRIPT: Self-Critic PreTraining of Transformers } ,
    author  = { Erik Nijkamp and Bo Pang and Ying Nian Wu and Caiming Xiong } ,
    booktitle = { North American Chapter of the Association for Computational Linguistics } ,
    year    = { 2021 }
}

 @misc { https://doi.org/10.48550/arxiv.2302.01327 ,
    doi     = { 10.48550/ARXIV.2302.01327 } ,
    url     = { https://arxiv.org/abs/2302.01327 } ,
    author  = { Kumar, Manoj and Dehghani, Mostafa and Houlsby, Neil } ,
    title   = { Dual PatchNorm } ,
    publisher = { arXiv } ,
    year    = { 2023 } ,
    copyright = { Creative Commons Attribution 4.0 International }
}

 @misc { gilmer2023intriguing
    title  = { Intriguing Properties of Transformer Training Instabilities } ,
    author = { Justin Gilmer, Andrea Schioppa, and Jeremy Cohen } ,
    year   = { 2023 } ,
    status = { to be published - one attention stabilization technique is circulating within Google Brain, being used by multiple teams }
}

 @misc { mentzer2023finite ,
    title   = { Finite Scalar Quantization: VQ-VAE Made Simple } ,
    author  = { Fabian Mentzer and David Minnen and Eirikur Agustsson and Michael Tschannen } ,
    year    = { 2023 } ,
    eprint  = { 2309.15505 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}

 @misc { yu2023language ,
    title   = { Language Model Beats Diffusion -- Tokenizer is Key to Visual Generation } ,
    author  = { Lijun Yu and José Lezama and Nitesh B. Gundavarapu and Luca Versari and Kihyuk Sohn and David Minnen and Yong Cheng and Agrim Gupta and Xiuye Gu and Alexander G. Hauptmann and Boqing Gong and Ming-Hsuan Yang and Irfan Essa and David A. Ross and Lu Jiang } ,
    year    = { 2023 } ,
    eprint  = { 2310.05737 } ,
    archivePrefix = { arXiv } ,
    primaryClass = { cs.CV }
}