CogView4介绍和本地部署

寸先生的牛马庄园

于 2025-03-11 08:46:40 发布

阅读量1.3k

点赞数 17

文章标签：人工智能 LLM

本文链接：https://blog.csdn.net/cskywit/article/details/146169323

版权

1.简介

2025年3月4日由智谱发布的全网首个支持中文生成的开源模型CogView4开源地址https://github.com/THUDM/CogView4，CogView4遵循Apache 2.0协议，是首个以此协议开放的图像生成模型，为开发者提供了更灵活的使用空间，学生党做毕设再也不用跪求版权图。

技术原理

扩散模型结合 Transformer 架构：CogView4 采用扩散模型，这是一种通过逐步去除噪声来生成图像的方法。结合 Transformer 架构，它能够有效地处理文本和图像的联合表示。
多阶段训练策略和显存优化技术：这些技术使得 CogView4 在生成图像时更加高效，特别是在处理高分辨率图像时。

功能特点

双语支持：支持中英双语提示词输入，能根据中文或英文描述生成高质量图像。
汉字生成：作为首个支持在画面中生成汉字的开源模型，特别适合中文创意需求。
任意分辨率与长提示词处理：支持生成512×512到2048×2048之间的任意分辨率图像，同时能处理任意长度的提示词输入

技术优势

复杂语义对齐与指令跟随：在DPG-Bench基准测试中综合评分排名第一，展现了强大的复杂语义对齐和指令跟随能力。
高效推理与显存优化：通过模型CPU卸载和文本编码器量化等技术，降低了显存占用，提升了推理效率。

huggingface在线体验地址：https://huggingface.co/spaces/THUDM-HF-SPACE/CogView4

我在线体验了一下：

输出：

2.本地部署

创建虚环境：

conda create -n CogView4 python=3.12
conda activate CogView4

安装Pytorch2.5：

conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.1 -c pytorch -c nvidia

克隆仓库：

git clone https://github.com/THUDM/CogView4

模型文件直接从modelscope克隆：

git clone https://www.modelscope.cn/ZhipuAI/CogView4-6B.git

3月5日CogView4已经接入diffuser库，但官网要求源码安装

git clone https://github.com/huggingface/diffusers.git
cd diffusers
pip install -e ".[torch]"

安装其他依赖：

pip install -r inference/requirements.txt

3.测试

gradio方式测试

需要先修改inference/gradio_web_demo.py

将其中的49行指向实际下载模型文件的目录：

model_path = "/home/aic/CogView4/CogView4/CogView4-6B"

第329行代码修改，以便局域网能够访问：

demo.queue().launch(inbrowser=True)
改为：
demo.queue().launch(inbrowser=True, server_name="0.0.0.0", server_port=7860, share=True)

代码中附带调用ChatGLM进行提示词润色增强的功能，可以申请ChatGLM API KEY。

运行代码时候导入环境变量：

export OPENAI_API_KEY="填入你申请的KEY"
export OPENAI_BASE_URL="https://open.bigmodel.cn/api/paas/v4"
python inference/gradio_web_demo.py

不填写也没有关系，可以在ChatGLM官网白嫖，让它帮你润色后复制过来。

试试看看，我输入的提示词：“写实风格，电影级画质，中国大学生努力学习AI技术，建设AI赋能强国。图片中有“努力学习AI技术”的文字”

ChatGLM润色后：

这幅图像以写实风格呈现，拥有电影级的画质，细腻而逼真。画面中心是一位中国大学生，他坐在现代化的图书馆内，专注地阅读着一本厚重的AI技术书籍。他的眼神坚定而充满求知欲，周围散落着各种编程教材和笔记本电脑，屏幕上显示着复杂的代码和AI算法图示。 背景中，透过巨大的落地窗，可以看到一座繁华的城市天际线，象征着科技与发展的融合。图书馆的墙壁上悬挂着“努力学习AI技术”的醒目标语，采用简洁现代的字体设计，激励着每一位学子。 画面色调温暖而明亮，光线从窗外洒入，照亮了学生的脸庞和书本，营造出一种积极向上的学习氛围。整个场景不仅展现了大学生对AI技术的热忱学习，更寓意着他们为建设AI赋能强国的坚定信念和不懈努力。

从画写实风格，感觉没有Wan2.1真实，生成的中文有时候还会有错，像上图，当然这个模型的最大亮点是扩散模型生成中文！

代码输出方式

from diffusers import CogView4Pipeline
import torch

pipe = CogView4Pipeline.from_pretrained("CogView4-6B",torch_dtype=torch.bfloat16).to("cuda")

# Open it for reduce GPU memory usage
pipe.enable_model_cpu_offload()
pipe.vae.enable_slicing()
pipe.vae.enable_tiling()

prompt = "A vibrant cherry red sports car sits proudly under the gleaming sun, its polished exterior smooth and flawless, casting a mirror-like reflection. The car features a low, aerodynamic body, angular headlights that gaze forward like predatory eyes, and a set of black, high-gloss racing rims that contrast starkly with the red. A subtle hint of chrome embellishes the grille and exhaust, while the tinted windows suggest a luxurious and private interior. The scene conveys a sense of speed and elegance, the car appearing as if it's about to burst into a sprint along a coastal road, with the ocean's azure waves crashing in the background."
image = pipe(
    prompt=prompt,
    guidance_scale=3.5,
    num_images_per_prompt=1,
    num_inference_steps=50,
    width=1024,
    height=1024,
).images[0]

image.save("cogview4.png")