論文鏈接：https://arxiv.org/pdf/2405.14854

項(xiàng)目鏈接：https://github.com/Lucky-Lance/TerDiT

最近在大規(guī)模預(yù)訓(xùn)練的文本到圖像擴(kuò)散模型方面的發(fā)展顯著提高了高保真圖像的生成能力，特別是基于transformer架構(gòu)的擴(kuò)散模型（DiTs）的出現(xiàn)。在這些擴(kuò)散模型中，擴(kuò)散transformer展示了卓越的圖像生成能力，降低了FID分?jǐn)?shù)并提高了可擴(kuò)展性。然而，由于其龐大的參數(shù)數(shù)量，部署大規(guī)模的DiT模型可能會非常昂貴。盡管現(xiàn)有研究已經(jīng)探索了擴(kuò)散模型的高效部署技術(shù)，如模型量化，但關(guān)于基于DiT模型的研究仍然很少。為了解決這一研究空白，本文提出了TerDiT，一種面向量化感知訓(xùn)練（QAT）和高效部署的基于

transformer的三值化擴(kuò)散模型方案。本文專注于DiT網(wǎng)絡(luò)的三值化化，并將模型規(guī)模從600M擴(kuò)展到4.2B。本文的工作為大規(guī)模DiT模型的高效部署策略探索做出了貢獻(xiàn)，證明了從頭訓(xùn)練極低比特的擴(kuò)散transformer模型的可行性，同時在圖像生成能力上保持與全精度模型相當(dāng)?shù)母偁幜Α?/strong>

介紹

大規(guī)模預(yù)訓(xùn)練的文本到圖像擴(kuò)散模型的進(jìn)步已經(jīng)成功生成了復(fù)雜且高度保真于輸入條件的圖像。值得注意的是，基于transformer架構(gòu)的擴(kuò)散模型（DiTs）的出現(xiàn)代表了該研究領(lǐng)域的一個重要進(jìn)展。與其他擴(kuò)散模型相比，擴(kuò)散transformer展示了在更高計(jì)算量下實(shí)現(xiàn)更低FID分?jǐn)?shù)的能力。最新的研究突出了擴(kuò)散transformer架構(gòu)在圖像生成方面的顯著能力，例如在Stable Diffusion 3方法中展示的成果，以及在視頻生成方面的出色表現(xiàn)，如Sora所展示的工作。

鑒于擴(kuò)散transformer模型的出色表現(xiàn)，研究人員現(xiàn)在越來越多地深入研究這些視覺模型的擴(kuò)展規(guī)律，這與大語言模型相似。例如，Stable Diffusion 3提供了一系列參數(shù)規(guī)模的訓(xùn)練DiT模型，從8億到80億。此外，有研究人員推測Sora可能擁有大約30億個參數(shù)。由于這些模型擁有龐大的參數(shù)數(shù)量，部署這些DiT模型往往成本高昂，尤其是在某些終端設(shè)備上。

為了應(yīng)對部署難題，最近已經(jīng)有一些關(guān)于高效部署擴(kuò)散模型的研究工作，其中大多數(shù)集中在模型量化方面。然而，據(jù)本文所知，目前的研究仍然存在兩個主要缺陷。首先，雖然量化基于 U-Net 的擴(kuò)散模型已經(jīng)受到了很多關(guān)注，但對于基于transformer的擴(kuò)散模型的量化方法探索仍然非常有限。其次，目前文獻(xiàn)中的大多數(shù)主流方法主要依賴于后訓(xùn)練量化 (PTQ) 技術(shù)來進(jìn)行模型量化，這會導(dǎo)致不可接受的性能下降，特別是在極低比特寬度（例如2比特和1比特）下。然而，神經(jīng)網(wǎng)絡(luò)的極低比特量化非常重要，因?yàn)樗梢燥@著減少部署所需的計(jì)算資源，尤其對于具有巨大參數(shù)規(guī)模的模型。在本文的研究過程中，本文發(fā)現(xiàn)目前還沒有研究考慮 DiT 模型的極低比特量化。

為了解決這些缺陷，本文提出利用量化感知訓(xùn)練（QAT）技術(shù)對大規(guī)模 DiT 模型進(jìn)行極低比特量化。在大規(guī)模模型領(lǐng)域，低比特 QAT 方法已在大語言模型（LLM）領(lǐng)域進(jìn)行了討論。最近的研究表明，從頭開始訓(xùn)練具有極低比特參數(shù)（例如二進(jìn)制和三進(jìn)制）的大語言模型，也可以達(dá)到與全精度模型相當(dāng)?shù)母偁幮阅?。這表明大規(guī)模模型中仍然存在顯著的精度冗余，并且暗示了 QAT 方案對于大規(guī)模 DiT 模型的可行性。

在本文中，本文主要關(guān)注三值權(quán)重網(wǎng)絡(luò)，并提供了 TerDiT，這是本文所知的首個用于 DiT 的量化方案。本文的方法實(shí)現(xiàn)了三值擴(kuò)散transformer模型的量化感知訓(xùn)練（僅限權(quán)重）和高效部署。與 LLM 和 CNN 中線性層的簡單量化不同，本文發(fā)現(xiàn)直接對 DiT 模塊中的 adaLN 模塊進(jìn)行權(quán)重三值化，會導(dǎo)致歸一化層中的大尺寸尺度和偏移值（由于權(quán)重量化和梯度近似），這與全精度模型相比，導(dǎo)致收斂速度較慢和模型性能較差。因此，本文提出了一種 adaLN 的變體，通過在 adaLN 模塊的三值線性層之后應(yīng)用 RMS Norm，有效地緩解了這一訓(xùn)練問題。

通過這種修改，本文將三值 DiT 模型的參數(shù)規(guī)模從 600M（DiT-XL/2的規(guī)模）擴(kuò)展到 4.2B（Large-DiT-4.2B的規(guī)模），發(fā)現(xiàn)具有更多參數(shù)的模型能夠收斂到更好的結(jié)果。本文進(jìn)一步采用現(xiàn)有的2-bit CUDA 內(nèi)核來部署訓(xùn)練后的三值 DiT 模型，使模型checkpoint 大小減少了十倍以上，推理內(nèi)存消耗減少了約六倍，同時實(shí)現(xiàn)了具有競爭力的生成質(zhì)量。主要貢獻(xiàn)總結(jié)如下：

• 受低位 LLMs 量化感知訓(xùn)練方案的啟發(fā)，本文研究了針對三值 DiT 模型的 QAT 方法，并引入了 DiT 特定的改進(jìn)以獲得更好的訓(xùn)練效果，這在 DiT 文獻(xiàn)中尚未被探索。
• 本文將三值DiT模型的參數(shù)規(guī)模從600M擴(kuò)展到4.2B，并基于現(xiàn)有的2-bit CUDA內(nèi)核在GPU上部署了訓(xùn)練后的三值DiT模型，使得4.2B DiT模型的推理內(nèi)存消耗小于3GB。
• 與全精度模型在ImageNet基準(zhǔn)測試（圖像生成）中的對比評估結(jié)果展示了本文提出的TerDiT方案的有效性。

本文的研究是首次嘗試探索DiT模型的量化問題。本文專注于量化感知訓(xùn)練和大規(guī)模三值DiT模型的高效部署，為未來研究在極低比特精度下部署DiT模型提供了寶貴的見解。

相關(guān)工作

擴(kuò)散模型。 近年來，擴(kuò)散模型因其生成高質(zhì)量圖像的能力和多種應(yīng)用潛力而受到了廣泛關(guān)注。擴(kuò)散模型的概念最早由提出，該研究提出了一種通過學(xué)習(xí)逆向擴(kuò)散過程的生成模型。這項(xiàng)工作為該領(lǐng)域的后續(xù)研究奠定了基礎(chǔ)。[1]進(jìn)一步擴(kuò)展了這一思想，提出了去噪擴(kuò)散概率模型（DDPMs），這類模型已成為圖像生成任務(wù)中的熱門選擇。DDPMs被應(yīng)用于廣泛的領(lǐng)域，包括無條件圖像生成、圖像修復(fù)和圖像超分辨率。此外，擴(kuò)散模型還被用于文本到圖像的合成，如DALL-E模型和Imagen模型所展示的那樣，這些模型展示了擴(kuò)散模型從文本描述中生成高度逼真和多樣化圖像的能力。進(jìn)一步地，擴(kuò)散模型還被擴(kuò)展到其他模態(tài)，如音頻合成和視頻生成，展示了其在多模態(tài)應(yīng)用中的多樣性和潛力。

擴(kuò)散模型的量化。 近年來，為了提高擴(kuò)散模型的效率，研究人員對擴(kuò)散模型的量化進(jìn)行了研究。后訓(xùn)練量化（PTQ）方法，如[9, 11, 13, 14, 15]中提出的方法，在量化時間和數(shù)據(jù)使用方面具有優(yōu)勢。然而，當(dāng)這些方法應(yīng)用于低比特設(shè)置時，通常會導(dǎo)致性能不佳。為了解決這個問題，[31]提出了將量化感知低秩適配器（QALoRA）與PTQ方法相結(jié)合，從而提高評估結(jié)果。作為PTQ的替代方案，量化感知訓(xùn)練（QAT）方法專門用于低比特?cái)U(kuò)散模型的量化。盡管這些QAT方法有效，但目前僅限于小規(guī)模的基于U-Net的擴(kuò)散模型，這揭示了在大規(guī)模DiT模型上應(yīng)用QAT的研究空白。進(jìn)一步探索適用于大規(guī)模DiT模型的極低比特寬度QAT技術(shù)，可能會帶來更大的效率提升，并在資源受限的環(huán)境中有效部署擴(kuò)散模型。

三值權(quán)重網(wǎng)絡(luò)。 三值權(quán)重網(wǎng)絡(luò)作為一種內(nèi)存高效和計(jì)算高效的網(wǎng)絡(luò)結(jié)構(gòu)，已經(jīng)引起了廣泛關(guān)注，其在推理內(nèi)存使用上的顯著減少潛力尤為突出。在專用硬件的支持下，三值權(quán)重網(wǎng)絡(luò)還可以提供顯著的計(jì)算加速。在量化方法中，三值權(quán)重網(wǎng)絡(luò)備受關(guān)注，主要有兩種方法：僅權(quán)重量化和權(quán)重-激活量化。在僅權(quán)重量化中，如[35]所述，僅對權(quán)重進(jìn)行三值量化。而權(quán)重-激活量化，如[36, 37]所述，則對權(quán)重和激活值同時進(jìn)行三值量化。近期研究表明，三值權(quán)重網(wǎng)絡(luò)在訓(xùn)練大語言模型方面具有可行性，并且其結(jié)果可與全精度模型相媲美?；谶@些進(jìn)展，本文的工作首次引入了針對三值DiT模型的量化感知訓(xùn)練和高效部署方案。通過在DiT模型中利用三值量化的優(yōu)勢，本文旨在推動效率的極限，并使強(qiáng)大的擴(kuò)散模型在資源受限的環(huán)境中得以部署，從而為實(shí)際應(yīng)用開辟新的可能性。

TerDiT

TerDiT，這是一個用于進(jìn)行僅權(quán)重量化感知訓(xùn)練和高效部署大規(guī)模三值DiT模型的框架。本文首先簡要回顧擴(kuò)散transformer（DiT）模型。然后，基于之前開源的Large-DiT，闡述了量化函數(shù)和量化感知訓(xùn)練方案，并進(jìn)行特定于QAT的模型結(jié)構(gòu)改進(jìn)以優(yōu)化網(wǎng)絡(luò)訓(xùn)練，并介紹了三值部署方案。

擴(kuò)散transformer模型

擴(kuò)散transformer（Diffusion Transformer）。擴(kuò)散transformer（DiT）是一種架構(gòu)，它用操作潛在patches的transformer替代了擴(kuò)散模型中常用的U-Net骨干結(jié)構(gòu)。類似于下圖2（C）中展示的視覺transformer（ViT）架構(gòu)，DiT首先將空間輸入劃分為一系列tokens，然后通過一系列transformer塊（下圖2（B））進(jìn)行去噪處理。為了處理額外的條件信息（例如噪聲時間步t、類別標(biāo)簽l、自然語言輸入），DiT利用自適應(yīng)歸一化模塊（adaLNZero）將這些額外的條件輸入插入到transformer塊中。在最后一個transformer塊之后，應(yīng)用標(biāo)準(zhǔn)線性解碼器來預(yù)測最終的噪聲和協(xié)方差。DiT模型的訓(xùn)練方式與基于U-Net的擴(kuò)散模型相同。

DiT中的AdaLN模塊。DiT與傳統(tǒng)ViT的主要區(qū)別在于需要注入條件信息以進(jìn)行圖像生成。DiT在每個transformer塊中使用零初始化的自適應(yīng)層歸一化（adaLN-Zero）模塊，如上圖2（B）紅色部分所示，該模塊根據(jù)輸入條件c計(jì)算維度級的縮放和偏移值。

AdaLN 是 DiT 模型中的一個重要組件，其效果已被證明優(yōu)于交叉注意力和上下文條件方法。在 DiT 架構(gòu)中，AdaLN 模塊集成了一個包含大量參數(shù)的 MLP 層，占模型總參數(shù)的約 10% 到 20%。在 TerDiT 的訓(xùn)練過程中，本文觀察到直接對該模塊進(jìn)行權(quán)重三值化會導(dǎo)致不理想的訓(xùn)練結(jié)果。

模型量化

如上文所示，理解DiT模型的擴(kuò)展規(guī)律越來越受到關(guān)注，這對于開發(fā)和優(yōu)化大語言模型（LLM）至關(guān)重要。在最近的探索中，Large-DiT成功地將模型參數(shù)從600M擴(kuò)展到7B，結(jié)合了LLaMA和DiT的方法。結(jié)果表明，參數(shù)擴(kuò)展可以潛在地提升模型性能，并加快標(biāo)簽條件的ImageNet生成任務(wù)的收斂速度。受此啟發(fā)，本文提出進(jìn)一步研究DiT模型的三值化，這可以緩解部署大規(guī)模DiT模型相關(guān)的挑戰(zhàn)。在本小節(jié)中，本文介紹量化函數(shù)和量化感知訓(xùn)練方案。

TerDiT 是一種僅對權(quán)重進(jìn)行量化的方案，本文不對激活值進(jìn)行量化。

量化感知訓(xùn)練方案。 基于上述設(shè)計(jì)的量化函數(shù)，本文從頭開始訓(xùn)練一個 DiT 模型，利用直接傳遞估計(jì)器（STE），允許梯度通過不可微分的網(wǎng)絡(luò)組件傳播。在整個訓(xùn)練過程中，本文保留網(wǎng)絡(luò)的全精度參數(shù)。對于每一步訓(xùn)練，通過前向傳播中的三值量化函數(shù)從全精度參數(shù)計(jì)算出三值權(quán)重，并在反向傳播中將三值權(quán)重的梯度直接應(yīng)用于全精度參數(shù)進(jìn)行參數(shù)更新。

然而，本文發(fā)現(xiàn)收斂速度非常慢。即使經(jīng)過多次訓(xùn)練迭代，損失值也無法降低到合理范圍。本文認(rèn)為這個問題可能源于三值線性層通常會導(dǎo)致較大的激活值，并提出在接下來的小節(jié)中通過針對 QAT（量化感知訓(xùn)練）特定的模型結(jié)構(gòu)改進(jìn)來解決這個問題。

QAT特定模型結(jié)構(gòu)改進(jìn)

通過對三值線性層的輸出應(yīng)用層歸一化，可以緩解由三值線性權(quán)重帶來的大激活值問題。本文在三值線性層之后添加了一個RMS歸一化層（類似于LLaMA），并獲得了激活值分布（如下圖3左側(cè)所示）。在這種情況下，激活值在通過歸一化層后被縮放到一個合理范圍，從而導(dǎo)致更穩(wěn)定的訓(xùn)練行為。這一觀察結(jié)果也與[17]中的結(jié)論一致，其中在每個量化線性層的激活量化之前應(yīng)用了層歸一化函數(shù)。

RMS歸一化的AdaLN模塊。 基于上述見解，本文分析了DiT模型以改進(jìn)QAT特定的模型結(jié)構(gòu)。在標(biāo)準(zhǔn)的ViT Transformer塊中，層歸一化應(yīng)用于每個自注意力層和前饋層。DiT塊中的自注意力層和前饋層也是如此，這有助于適當(dāng)?shù)乜s放激活值范圍。然而，由于上文中介紹的AdaLN模塊的存在，DiT塊與傳統(tǒng)的Transformer塊有所不同。值得注意的是，這個模塊沒有應(yīng)用層歸一化。在全精度訓(xùn)練的情況下，缺乏層歸一化并不會產(chǎn)生顯著影響。然而，對于三值DiT網(wǎng)絡(luò)來說，其缺失可能會導(dǎo)致adaLN（歸一化）模塊中的維度尺度和偏移值過大，從而對模型訓(xùn)練產(chǎn)生不良影響。為了解決這個問題，本文在每個三值DiT塊的AdaLN模塊的MLP層之后引入了RMS歸一化：

最終的TerDiT模型結(jié)構(gòu)如上圖2(A)所示。這個小的修改可以帶來更快的收斂速度和更低的訓(xùn)練損失，從而在定量和定性評估中取得更好的結(jié)果。為了更好地展示這一效果，在原文附錄中分析了模型訓(xùn)練后引入或不引入RMS Norm的實(shí)際激活分布。

部署方案

在訓(xùn)練了DiT模型之后，本文發(fā)現(xiàn)目前沒有有效的開源三值網(wǎng)絡(luò)部署解決方案。在這種情況下，本文使用2位實(shí)現(xiàn)來部署訓(xùn)練好的網(wǎng)絡(luò)。具體來說，本文使用文獻(xiàn)[44]提供的??pack_2bit_u8()???函數(shù)，將三值線性權(quán)重打包成??int8???值（4個三值數(shù)打包成一個??int8???數(shù)）。在DiT模型的推斷過程中，本文即時調(diào)用相應(yīng)的??unpack_2bit_u8()??函數(shù)，將打包的2位數(shù)字恢復(fù)為浮點(diǎn)數(shù)值，然后進(jìn)行后續(xù)計(jì)算。添加解包操作會減慢推斷過程，但本文相信，隨著對模型三值化研究的深入，將會有更多硬件支持來加速推斷過程。

實(shí)驗(yàn)

在本節(jié)中，本文進(jìn)行了一系列實(shí)驗(yàn)來評估本文提出的TerDiT。本文展示了主要的評估結(jié)果，進(jìn)行了部署效率比較，并說明了RMS Normalized adaLN模塊的有效性。本文的DiT實(shí)現(xiàn)基于開源代碼Large-DiT-ImageNet4。本文分別對具有600M（DiT-XL/2的大?。┖?.2B（Large-DiT-4.2B的大?。﹨?shù)的三值DiT模型進(jìn)行了實(shí)驗(yàn)。

主要評價結(jié)果

本文在本小節(jié)中提供了TerDiT模型的定量和定性評估結(jié)果。據(jù)本文所知，目前尚無關(guān)于擴(kuò)散transformer模型量化的已發(fā)表工作，因此本文主要在本小節(jié)中將其與具有代表性的全精度擴(kuò)散模型進(jìn)行比較。

關(guān)于TerDiT基線的備注。 據(jù)本文所知，目前仍沒有研究DiT模型量化的工作。除了在本小節(jié)中與全精度模型進(jìn)行比較外，本文還在其他小節(jié)中建立了一些基線進(jìn)行比較。對于QAT基線，本文直接訓(xùn)練了在Sec. 4.3中的adaLN模塊中沒有RMS Norm的三值DiT模型。為了與現(xiàn)有的PTQ方法進(jìn)行比較，本文對預(yù)訓(xùn)練模型進(jìn)行了4位權(quán)重量化，使用與TerDiT相同的一組參數(shù)，結(jié)果發(fā)現(xiàn)它們無法生成可視的圖像。

實(shí)驗(yàn)設(shè)置。 按照原始DiT論文的評估設(shè)置，本文在ImageNet數(shù)據(jù)集上訓(xùn)練了600M和4.2B的三值DiT模型。由于計(jì)算資源的限制，本文在256×256分辨率下訓(xùn)練和評估模型，但本文認(rèn)為評估結(jié)果已經(jīng)具有很強(qiáng)的代表性。本文將TerDiT與一系列全精度擴(kuò)散模型進(jìn)行比較，并報(bào)告FID、sFID、Inception Score、Precision和Recall（50k生成圖像），參考[48]。本文還提供了訓(xùn)練階段的總圖像數(shù)量（百萬），如[23]所示，以進(jìn)一步了解不同生成模型的收斂速度。

定量結(jié)果分析。 評估結(jié)果列在下表1中。TerDiT是針對DiT模型的QAT方案，因此在所有全精度模型中，本文特別關(guān)注DiT-XL/2（675M）和Large-DiT-4.2B。在沒有分類器自由指導(dǎo)的情況下，TerDiT-4.2B在測試結(jié)果上與DiT-XL/2非常相似（使用的訓(xùn)練圖像數(shù)量要少得多）。在有分類器自由指導(dǎo)（cfg=1.5）的情況下，TerDiT-4.2B-G的表現(xiàn)優(yōu)于LDM-G，同時與兩個全精度DiT結(jié)構(gòu)模型相比僅帶來了非常輕微的性能下降。此外，TerDiT-4.2B-G的評估結(jié)果優(yōu)于TerDiT-600M-G，這表明參數(shù)更多的模型在量化后會帶來更小的性能下降。

為了直觀地展示TerDiT的有效性，本文在下圖4中展示了一些定性比較結(jié)果，涉及TerDiT-4.2B、DiT-XL/2和Large-DiT4.2B。從視覺感知的角度來看，TerDiT生成的圖像與全精度模型生成的圖像之間沒有顯著差異。

部署效率對比

部署效率的提升是本文提出TerDiT方案的動機(jī)。在本小節(jié)中，本文對TerDiT-600M/4.2B、DiT-XL/2和Large-DiT-4.2B進(jìn)行了比較，以討論TerDiT在實(shí)際部署中所能帶來的效率提升。下表2展示了四種DiT模型的checkpoint 大小。本文還記錄了在單個A100-80G GPU上，總擴(kuò)散采樣循環(huán)（步數(shù)=250）的內(nèi)存使用情況和推理時間。

從表格中可以看出，TerDiT大大減少了checkpoint 大小和內(nèi)存使用。4.2B三值化DiT模型的checkpoint 大小和內(nèi)存使用顯著小于Large-DiT-4.2B，甚至比DiT-XL/2還要小。這為在終端設(shè)備（如手機(jī)）上部署模型帶來了顯著優(yōu)勢。盡管由于需要解包操作，本文觀察到推理速度較慢，但本文相信，隨著未來硬件支持的提升，三值化權(quán)重網(wǎng)絡(luò)的計(jì)算優(yōu)勢將會得到充分展示。

RMS歸一化AdaLN模塊的討論

TerDiT對DiT模型結(jié)構(gòu)的主要修改是在adaLN模塊中的MLP之后增加了RMS Norm。在這一部分，本文與基線三值化模型進(jìn)行比較，以展示RMS Norm對訓(xùn)練過程和訓(xùn)練結(jié)果的影響。

實(shí)驗(yàn)設(shè)置。 本文在ImageNet數(shù)據(jù)集上以256×256分辨率訓(xùn)練具有600M和4.2B參數(shù)的三值化DiT模型。對于每種參數(shù)規(guī)模，本文訓(xùn)練了兩個模型，一個在adaLN模塊中使用了RMS Norm，另一個則沒有（本文的基線模型）。本文記錄了訓(xùn)練過程中的損失曲線，并每100k訓(xùn)練步測量一次FID-50k分?jǐn)?shù)（cfg=1.5）。

結(jié)果分析： 訓(xùn)練損失和評估得分分別顯示在下圖5和下圖6中。如圖所示，使用RMS Normalized adaLN模塊進(jìn)行訓(xùn)練將導(dǎo)致更快的收斂速度和更低的FID分?jǐn)?shù)。另一個觀察結(jié)果是，參數(shù)更多的模型相比參數(shù)較少的模型能實(shí)現(xiàn)更快且更好的訓(xùn)練效果。這在一定程度上也反映了三值化DiT模型的擴(kuò)展規(guī)律。

討論和未來展望

本文在成功的大語言模型低比特訓(xùn)練方法的基礎(chǔ)上，提出了針對大規(guī)模三值化DiT模型的量化感知訓(xùn)練（QAT）和高效部署方法。在ImageNet數(shù)據(jù)集（256×256）上的競爭性評估結(jié)果證明了從頭開始訓(xùn)練大型三值化DiT模型的可行性，同時實(shí)現(xiàn)了與全精度模型相當(dāng)?shù)慕Y(jié)果。據(jù)本文所知，這是首個關(guān)于DiT模型量化的研究。

雖然本文認(rèn)為這項(xiàng)工作為DiT模型的低比特量化提供了有價值的見解，但它仍然存在一些局限性。首先，訓(xùn)練三值化DiT比全精度網(wǎng)絡(luò)更不穩(wěn)定且耗時。在本文中，盡管本文討論了通過添加歸一化方法來使訓(xùn)練更穩(wěn)定，但相較于訓(xùn)練全精度網(wǎng)絡(luò)（如Large-DiT-4.2B），它仍然更耗時，這將在更廣泛的背景下導(dǎo)致模型訓(xùn)練期間二氧化碳排放量的增加。

其次，由于計(jì)算資源的限制，本文沒有進(jìn)行ImageNet 512×512實(shí)驗(yàn)，也沒有進(jìn)行文本到圖像生成任務(wù)的實(shí)驗(yàn)。然而，本文相信ImageNet 256×256基準(zhǔn)上的評估結(jié)果已經(jīng)相當(dāng)具有代表性。剩余的任務(wù)將留待本文未來的工作中進(jìn)行。本文希望本文的工作可以減少圖像生成模型的部署需求，并能激勵社區(qū)在未來加入本文，共同促進(jìn)這一研究領(lǐng)域的更廣泛發(fā)展。

本文轉(zhuǎn)自AI生成未來 ，作者：Xudong Lu等

原文鏈接:??https://mp.weixin.qq.com/s/V5l4-5iJTwIewLRKIqqaoQ??