Igpt Fr Cased Base

🚀 iGPT-fr 图像生成模型

iGPT-fr 是一款专为法语设计的GPT模型，由 形式语言学实验室 (LLF) 开发的预训练增量语言模型。本模型将 GPT-fr 🇫🇷 模型进行了适配，能够根据文本输入生成图像。

🚀 快速开始

安装依赖

模型可以通过 🤗 Transformers 库使用。同时，为了进行高分辨率图像合成，你还需要安装 Taming Transformers 库：

pip install git+https://github.com/CompVis/taming-transformers.git

基础用法

from transformers import GPT2Tokenizer, GPT2LMHeadModel
from huggingface_hub import hf_hub_download
from omegaconf import OmegaConf
from taming.models import vqgan
import torch
from PIL import Image
import numpy as np

# Load VQGAN model
vqgan_ckpt = hf_hub_download(repo_id="boris/vqgan_f16_16384", filename="model.ckpt", force_download=False)
vqgan_config = hf_hub_download(repo_id="boris/vqgan_f16_16384", filename="config.yaml", force_download=False)

config = OmegaConf.load(vqgan_config)
vqgan_model = vqgan.VQModel(**config.model.params)
vqgan_model.eval().requires_grad_(False)
vqgan_model.init_from_ckpt(vqgan_ckpt)

# Load pretrained model
model = GPT2LMHeadModel.from_pretrained("asi/igpt-fr-cased-base")
model.eval()
tokenizer = GPT2Tokenizer.from_pretrained("asi/igpt-fr-cased-base")

# Generate a sample of text
input_sentence = "Une carte de l'europe"
input_ids = tokenizer.encode(input_sentence, return_tensors='pt')
input_ids = torch.cat((input_ids, torch.tensor([[50000]])), 1)  # Add image generation token

greedy_output = model.generate(
  input_ids.to(device), 
  max_length=256+input_ids.shape[1],
  do_sample=True, 
  top_p=0.92, 
  top_k=0)

def custom_to_pil(x):
  x = x.detach().cpu()
  x = torch.clamp(x, -1., 1.)
  x = (x + 1.)/2.
  x = x.permute(1,2,0).numpy()
  x = (255*x).astype(np.uint8)
  x = Image.fromarray(x)
  if not x.mode == "RGB":
    x = x.convert("RGB")
  return x

z_idx = greedy_output[0, input_ids.shape[1]:] - 50001
z_quant = vqgan_model.quantize.get_codebook_entry(z_idx, shape=(1, 16, 16, 256))
x_rec = vqgan_model.decode(z_quant).to('cpu')[0]
display(custom_to_pil(x_rec))

高级用法

你还可以基于CLIP对结果进行过滤：

from tqdm import tqdm

def hallucinate(prompt, num_images=64):
    input_ids = tokenizer.encode(prompt, return_tensors='pt')
    input_ids = torch.cat((input_ids, torch.tensor([[50000]])), 1).to(device)  # Add image generation token

    all_images = []
    for i in tqdm(range(num_images)):
        greedy_output = model.generate(
          input_ids.to(device), 
          max_length=256+input_ids.shape[1],
          do_sample=True,
          top_p=0.92, 
          top_k=0)

        z_idx = greedy_output[0, input_ids.shape[1]:] - 50001
        z_quant = vqgan_model.quantize.get_codebook_entry(z_idx, shape=(1, 16, 16, 256))
        x_rec = vqgan_model.decode(z_quant).to('cpu')[0]
        all_images.append(custom_to_pil(x_rec))
    return all_images

input_sentence = "Une carte de l'europe"
all_images = hallucinate(input_sentence)

from transformers import pipeline

opus_model = "Helsinki-NLP/opus-mt-fr-en"
opus_translator = pipeline("translation", model=opus_model)

opus_translator(input_sentence)

from transformers import CLIPProcessor, CLIPModel

clip_model = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
clip_processor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

def clip_top_k(prompt, images, k=8):
  prompt_fr = opus_translator(input_sentence)[0]['translation_text']
  inputs = clip_processor(text=prompt_fr, images=images, return_tensors="pt", padding=True)
  outputs = clip_model(**inputs)
  logits = outputs.logits_per_text # this is the image-text similarity score
  scores = np.array(logits[0].detach()).argsort()[-k:][::-1]
  return [images[score] for score in scores]

filtered_images = clip_top_k(input_sentence, all_images)

for fi in filtered_images:
  display(fi)

✨ 主要特性

• 基于法语预训练的GPT模型，能够根据文本输入生成图像。
• 可以通过 Transformers 库方便地使用。
• 支持使用 Taming Transformers 库进行高分辨率图像合成。
• 可以基于CLIP对生成的图像结果进行过滤。

📦 安装指南

安装 Taming Transformers 库：

pip install git+https://github.com/CompVis/taming-transformers.git

📚 详细文档

模型描述

iGPT-fr 🇫🇷 是一款法语的GPT模型，由 形式语言学实验室 (LLF) 开发的预训练增量语言模型。我们对 GPT-fr 🇫🇷 模型进行了适配，使其能够根据文本输入生成图像。

预期用途与限制

该模型可用于图像生成任务。目前该模型仍处于开发阶段。

训练数据

我们创建了一个专门的语料库来训练生成模型。训练语料库由文本 - 图像对组成。我们从现有语料库 Laion - 5B 和 WIT 中聚合了部分数据。最终数据集包含 10,807,534 个样本。

训练过程

我们在法国国家科学研究中心（CNRS）的 Jean Zay 超级计算机上对模型进行了预训练。在Tesla V - 100硬件（TDP为300W）上进行了总共140小时的计算训练。训练分布在8个计算节点（每个节点8个GPU）上进行。我们使用数据并行化将每个微批次分配到计算单元上。使用 Lacoste等人（2019） 提出的 机器学习影响计算器 估计，总排放量为1161.22 kgCO2eq。

🔧 技术细节

本模型基于GPT架构进行开发，通过对 GPT-fr 🇫🇷 模型进行适配，使其能够处理文本输入并生成对应的图像。在训练过程中，使用了专门构建的文本 - 图像对语料库，结合Tesla V - 100硬件和数据并行化技术进行训练。同时，为了实现高分辨率图像合成，引入了 Taming Transformers 库，并可以使用CLIP对生成的图像结果进行过滤。

📄 许可证

本项目采用 apache-2.0 许可证。