Delete app.py

app.py

@@ -1,110 +0,0 @@
-# 导入需要的包
-import gradio as gr
-import numpy as np
-import torch
-import torchvision.utils
-from PIL import Image, ImageColor
-from tqdm import tqdm
-from diffusers import DDPMPipeline, DDIMScheduler
-
-# 检测可用的device
-device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-print("*" * 10 + " device " + "*" * 10)
-print(device)
-
-# 载入一个预训练过的管线
-pipeline_name = "johnowhitaker/sd-class-wikiart-from-bedrooms"
-image_pipe = DDPMPipeline.from_pretrained(pipeline_name).to(device)
-
-# 使用DDIM调度器，仅用40步生成一些图片
-scheduler = DDIMScheduler.from_pretrained(pipeline_name)
-# 这里使用稍微多一些的步数
-scheduler.set_timesteps(50)
-
-# 给定一个RGB值，返回一个损失值，用于衡量图片的像素值与目标颜色相差多少：这里的目标颜色是一种浅蓝绿色，对应的RGB值为（0.1， 0.9， 0.5）
-def color_loss(images, target_color=(0.1, 0.9, 0.5)):
-    # torch.ToTensor()取值范围是[0, 1]
-    # 首先对target_color进行归一化，使它的取值区间为（-1， 1）
-    target = (
-        torch.tensor(target_color).to(images.device) * 2 - 1
-    )
-
-    # 将所生成目标张量的形状改为（b, c, h, w）,以适配输入图像images的张量形状。
-    target = target[
-        None, :, None, None
-    ]
-
-    # 计算图片的像素值以及目标颜色的均方误差
-    # abs()：求绝对值
-    # mean()：求平均值
-    error = torch.abs(
-        images - target
-    ).mean()
-    return error
-
-# generate(颜色， 引导损失强度)  函数用于生成图片
-def generate(color, guidance_loss_scale):
-    # 将得到的颜色字符串 color 转换为 “RGB” 模式
-    target_color = ImageColor.getcolor(color, "RGB")
-
-    # 目标颜色值在[0, 1]
-    target_color = [a / 255 for a in target_color]
-
-    # 使用1幅 随机噪声图像 进行循环采样
-    x = torch.randn(4, 3, 256, 256).to(device)
-    # tqdm()：显示进度条      enumerate()：返回数据和数据索引下标
-    for i, t in tqdm(enumerate(scheduler.timesteps)):
-        # 对随机噪声图像添加时间步并作为模型输入
-        model_input = scheduler.scale_model_input(x, t)
-        # 预测噪声
-        with torch.no_grad():
-            noise_pred = image_pipe.unet(model_input, t)["sample"]
-        # 设置输入图像的requires_grad属性为True
-        x = x.detach().requires_grad_()
-        # 模型输出当前时间步“去噪”后的图像
-        x0 = scheduler.step(noise_pred, t, x).pred_original_sample
-        # 计算损失值 * 引导损失强度
-        loss = color_loss(x0, target_color) * guidance_loss_scale
-        # 获取梯度
-        con_grad = -torch.autograd.grad(loss, x)[0]
-        # 根据梯度修改x
-        x = x.detach() + con_grad
-        # 使用调度器更新x
-        x = scheduler.step(noise_pred, t, x).prev_sample
-    # 查看结果，使用网格显示图像，每行显示4幅图像。
-    grid = torchvision.utils.make_grid(x, nrow=4)
-    # [0, 1]
-    im = grid.permute(1, 2, 0).cpu().clip(-1, 1) * 0.5 + 0.5
-    # # np.array()：转换为数组
-    # # np.astype()：强转数据类型
-    # # Image.fromarray()：array 转化为 Image
-    im = Image.fromarray(np.array(im*255).astype(np.uint8))
-    # 保存图片test.jpeg，格式为jpeg
-    im.save("test.jpeg")
-    # 返回图片
-    return im
-
-# 输入
-inputs = [
-    # 颜色选择器
-    gr.ColorPicker(label="color", value="55FFAA"),
-    # 滑动条
-    gr.Slider(label="guidance_scale", minimum=0, maximum=30, value=3)
-]
-
-# 输出图像
-outputs = gr.Image(label="result")
-
-# 演示程序(demonstrate)的接口
-demo = gr.Interface(
-    fn=generate,
-    inputs=inputs,
-    outputs=outputs,
-    # 示例
-    examples=[
-        ["#BB2266", 3],
-        ["#44CCAA", 5]
-    ]
-)
-# 通过设置debug=True,你将能够在CoLab平台上看到错误信息
-demo.launch(debug=True)