DiT：从理论到实践，一文深入浅出带你学习Diffusion Transformer

Kaydeon

已于 2025-06-12 14:42:35 修改

阅读量1.8k

点赞数 20

CC 4.0 BY-SA版权

文章标签： pytorch python 人工智能

于 2025-01-16 15:48:45 首次发布

本文链接：https://blog.csdn.net/weixin_42744466/article/details/145184652

近期，Diffusion Transformer（以下简称DiT）在视频生成等研究中表现出了独特的优势，引起了广泛关注。本文将从理论到实践，深入浅出地介绍DiT的相关知识。

请添加图片描述

一、DiT的核心优化思路与问题理解

（一）官方论文中的优势点

性能提升：DiT在ImageNet基准测试中取得了先进的FID（Fréchet Inception Distance）结果，特别是在256×256分辨率的基准测试中，实现了2.27的FID，显示出其生成高质量、高保真度图像的能力。
可扩展性：DiT的计算复杂度与生成样本质量之间存在强相关性，通过增加模型的GFLOPs（如增加变换器的深度/宽度或输入tokens的数量），可以显著提高生成图像的质量。
灵活性：研究者可以通过调整模型的大小、补丁大小和序列长度来探索不同的设计空间，为未来的研究和应用提供了灵活性。

（二）个人理解层面

引入Transformer架构：替换Stable Diffusion及下游变体中最常用的U-Net架构。Transformer架构擅长处理时序相关问题，解决了Unet模型架构对于时序生成的最大难点。
时序处理：在DiT之前，视频生成算法尝试过多种架构，核心思路是引入时间维度T的信息。例如3D-Unet虽然增加了时间维度的特征，但仍存在时序上的一致性问题，需要加后补丁等进一步优化。而Transformer天然支持时序输入，并且可以并行处理多路输入，解决了Unet中难以处理的时序+多帧输入问题，因此越来越多的视频生成基础模型框架以DiT为基础。

（三）代价分析

训练收敛困难：在推荐系统中，算法同学能获取到高质量大规模的训练数据，让transformer充分发挥潜力。但在图像领域，构建百万级的训练数据需要自己去构建，不能从现有交易系统中直接获取，非常考验做大规模数据集的功底。到视频层面，数据量更少，质量更差，难度更大。
训练资源和需求大：对数据量和GPU运算资源都有很大要求，大多数论文中会详细说明训练资源、时常以及数据集获取及处理方式。

二、DiT网络结构概述

DiT模型使用Transformer作为其主干网络，替代了传统的U-Net架构。这些模型在Latent Space中训练，通过变换器处理潜在的图像块（patches）。其中，每个tokens在序列中都有一个隐藏维度d，即向量大小。

三、DiT模块结构图解与源码详解

（一）模块结构图解

DiT块是模型的核心，它处理输入的token序列。研究者们探索了四种不同的Transformer块设计，以处理条件输入（如噪声时间步t、类别标签c等），包括上下文条件、交叉注意力块、自适应层归一化（adaLN）块和adaLN-Zero块。

（二）源码详解

AdaLN模块的细粒度优化方案：在PixArt-a中，对adaLN-Zero进行了优化，将其优化成adaLN-single。adaLN-Zero占据的参数量非常大（27%），而在应用中比较有限，为了降低参数量，只在第一个块中使用时间维度的特征作为输入进行独立控制，并在所有块中共享。

AdaLN-single代码实现：

class PixArtBlock(nn.Module):
    """
    A PixArt block with adaptive layer norm (adaLN-single) conditioning.
    """
    def __init__(self, hidden_size, num_heads, mlp_ratio=4.0, drop_path=0., window_size=0, input_size=None, use_rel_pos=False, **block_kwargs):
        super().__init__()
        self.hidden_size = hidden_size
        self.norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6)
        self.attn = WindowAttention(hidden_size, num_heads=num_heads, qkv_bias=True,
                                    input_size=input_size if window_size == 0 else (window_size, window_size),
                                    use_rel_pos=use_rel_pos, **block_kwargs)
        self.cross_attn = MultiHeadCrossAttention(hidden_size, num_heads, **block_kwargs)
        self.norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6)
        approx_gelu = lambda: nn.GELU(approximate="tanh")
        self.mlp = Mlp(in_features=hidden_size, hidden_features=int(hidden_size * mlp_ratio), act_layer=approx_gelu, drop=0)
        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()
        self.window_size = window_size
        self.scale_shift_table = nn.Parameter(torch.randn(6, hidden_size) / hidden_size ** 0.5)

    def forward(self, x, y, t, mask=None, **kwargs):
        B, N, C = x.shape
        shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp = (self.scale_shift_table[None] + t.reshape(B, 6, -1)).chunk(6, dim=1)
        x = x + self.drop_path(gate_msa * self.attn(t2i_modulate(self.norm1(x), shift_msa, scale_msa)).reshape(B, N, C))
        x = x + self.cross_attn(x, y, mask)
        x = x + self.drop_path(gate_mlp * self.mlp(t2i_modulate(self.norm2(x), shift_mlp, scale_mlp)))
        return x

AdaLN-zero代码实现：

# adaLN 模块
self.adaLN_modulation = nn.Sequential(
    nn.SiLU(),
    nn.Linear(hidden_size, 6 * hidden_size, bias=True)
)

DiT模块源码详解

DiT块代码实现：

class DiTBlock(nn.Module):
    """
    A DiT block with adaptive layer norm zero (adaLN-Zero) conditioning.
    """
    def __init__(self, hidden_size, num_heads, mlp_ratio=4.0, **block_kwargs):
        super().__init__()
        self.norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6)
        self.attn = Attention(hidden_size, num_heads=num_heads, qkv_bias=True, **block_kwargs)
        self.norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6)
        mlp_hidden_dim = int(hidden_size * mlp_ratio)
        approx_gelu = lambda: nn.GELU(approximate="tanh")
        self.mlp = Mlp(in_features=hidden_size, hidden_features=mlp_hidden_dim, act_layer=approx_gelu, drop=0)
        self.adaLN_modulation = nn.Sequential(
            nn.SiLU(),
            nn.Linear(hidden_size, 6 * hidden_size, bias=True)
        )

    def forward(self, x, c):
        shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp = self.adaLN_modulation(c).chunk(6, dim=1)
        x = x + gate_msa.unsqueeze(1) * self.attn(modulate(self.norm1(x), shift_msa, scale_msa))
        x = x + gate_mlp.unsqueeze(1) * self.mlp(modulate(self.norm2(x), shift_mlp, scale_mlp))
        return x

完整forward代码实现：

def forward(self, x, t, y):
    x = self.x_embedder(x) + self.pos_embed  # (N, T, D), where T = H * W / patch_size ** 2
    t = self.t_embedder(t)                   # (N, D)
    y = self.y_embedder(y, self.training)    # (N, D)
    c = t + y                                # (N, D)
    for block in self.blocks:
        x = block(x, c)                      # (N, T, D)
    x = self.final_layer(x, c)                # (N, T, patch_size ** 2 * out_channels)
    x = self.unpatchify(x)                   # (N, out_channels, H, W)
    return x

带CFG的forward代码实现：

def forward_with_cfg(self, x, t, y, cfg_scale):
    half = x[: len(x) // 2]
    combined = torch.cat([half, half], dim=0)
    model_out = self.forward(combined, t, y)
    eps, rest = model_out[:, :3], model_out[:, 3:]
    cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0)
    half_eps = uncond_eps + cfg_scale * (cond_eps - uncond_eps)
    eps = torch.cat([half_eps, half_eps], dim=0)
    return torch.cat([eps, rest], dim=1)

四、DiT的输入参数规格&patch化

（一）输入参数规格

DiT模型的输入规格涉及到将图像的噪声潜在表示分割成小块，并将这些小块转换成一个长序列，以便Transformer可以处理。这个过程的计算复杂度随着patch大小的减小而增加，因为需要处理更多的tokens。这种设计允许模型在潜在空间中有效地处理图像数据，并在生成过程中利用Transformer的强大能力。

（二）时序embedding模块构建

整体编码方式参考了openai的glide编码模式，和StableDiffusion有一定差异。Timestep_embedding后接一层MLP。

class TimestepEmbedder(nn.Module):
    """
    Embeds scalar timesteps into vector representations.
    """
    def __init__(self, hidden_size, frequency_embedding_size=256):
        super().__init__()
        self.mlp = nn.Sequential(
            nn.Linear(frequency_embedding_size, hidden_size, bias=True),
            nn.SiLU(),
            nn.Linear(hidden_size, hidden_size, bias=True),
        )
        self.frequency_embedding_size = frequency_embedding_size

    @staticmethod
    def timestep_embedding(t, dim, max_period=10000):
        half = dim // 2
        freqs = torch.exp(
            -math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half
        ).to(device=t.device)
        args = t[:, None].float() * freqs[None]
        embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1)
        if dim % 2:
            embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1)
        return embedding

    def forward(self, t):
        t_freq = self.timestep_embedding(t, self.frequency_embedding_size)
        t_emb = self.mlp(t_freq)
        return t_emb

（三）Label Embedding构建

LabelEmbedder在原文中提到为了能够高效使用Classifier-Free Guidance而引入的Dropout层，具体的实现就在这个模块中。

class LabelEmbedder(nn.Module):
    def __init__(self, num_classes, hidden_size, dropout_prob):
        super().__init__()
        use_cfg_embedding = dropout_prob > 0
        self.embedding_table = nn.Embedding(num_classes + use_cfg_embedding, hidden_size)
        self.num_classes = num_classes
        self.dropout_prob = dropout_prob

    def token_drop(self, labels, force_drop_ids=None):
        if force_drop_ids is None:
            drop_ids = torch.rand(labels.shape[0], device=labels.device) < self.dropout_prob
        else:
            drop_ids = force_drop_ids == 1
        labels = torch.where(drop_ids, self.num_classes, labels)
        return labels

    def forward(self, labels, train, force_drop_ids=None):
        use_dropout = self.dropout_prob > 0
        if (train and use_dropout) or (force_drop_ids is not None):
            labels = self.token_drop(labels, force_drop_ids)
        embeddings = self.embedding_table(labels)
        return embeddings

五、DiT与UNet效果对比

传统的U-Net架构在扩散模型中被广泛使用，但DiT-XL/2在性能上超越了这些模型，展示了DiT架构的优势。

六、DiT模型全阶段优化

扩展DiT模型在训练的所有阶段都能改善FID。研究者们展示了12个DiT模型在训练迭代过程中的FID-50K。顶部行是在保持补丁大小不变的情况下比较FID，底部行是在保持模型大小不变的情况下比较FID。Transformer Backbone在所有模型大小和补丁大小下都能产生更好的生成模型。

七、Patch化操作的实现

（一）Patch化操作

通过“patchify”过程，空间表示被转换成一个token序列。序列的长度T由输入图像的空间尺寸除以补丁（Patch）大小的平方决定，即 $T = (I/p)^2$ 。例如，如果输入图像是256×256像素，补丁（Patch）大小是4×4像素，那么序列长度T将是 $256/4)^2 = 64^2 = 4096$ 。

from timm.models.vision_transformer import PatchEmbed, Attention, Mlp
...
# patch化操作使用了timm.models.vision_transformer 中自带的编码
self.x_embedder = PatchEmbed(input_size, patch_size, in_channels, hidden_size, bias=True)
self.t_embedder = TimestepEmbedder(hidden_size)
self.y_embedder = LabelEmbedder(num_classes, hidden_size, class_dropout_prob)
num_patches = self.x_embedder.num_patches
# pose embedding 使用了sin-cos编码方式
self.pos_embed = nn.Parameter(torch.zeros(1, num_patches, hidden_size), requires_grad=False)

（二）逆Patch化操作

def unpatchify(self, x):
    """
    x: (N, T, patch_size**2 * C)
    imgs: (N, H, W, C)
    """
    c = self.out_channels
    p = self.x_embedder.patch_size[0]
    h = w = int(x.shape[1] ** 0.5)
    assert h * w == x.shape[1]
    x = x.reshape(shape=(x.shape[0], h, w, p, p, c))
    x = torch.einsum('nhwpqc->nchpwq', x)
    imgs = x.reshape(shape=(x.shape[0], c, h * p, h * p))
    return imgs