系列文章目录

• 【diffusers 极速入门（一）】pipeline 实际调用的是什么？ call 方法!
• 【diffusers 极速入门（二）】如何得到扩散去噪的中间结果？Pipeline callbacks 管道回调函数
• 【diffusers极速入门（三）】生成的图像尺寸与 UNet 和 VAE 之间的关系
• 本文将介绍 diffusers 中常见的 EMA 操作。

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

一句话总结⬇️

EMA（Exponential Moving Average of models weights）：让模型更稳定、更泛化

什么是EMA？

EMA（Exponential Moving Average，指数移动平均）模型在深度学习中常用于存储模型可学习参数的局部平均值。
可以把它想象成一个“影子模型”，这个影子模型的参数会随着原模型的训练不断更新，但更新的方式不是直接复制，而是以指数衰减的方式逐渐向原模型的参数靠拢。

为什么EMA有效？

• 稳定性提升: 深度神经网络在训练过程中，参数的更新可能会比较剧烈，导致模型在训练集上表现很好，但在测试集上表现不佳。EMA模型通过对参数进行平滑处理，可以有效地减缓模型参数的波动，提高模型的稳定性。
• 泛化能力增强: EMA模型可以帮助模型找到一个更好的局部最小值，从而提高模型的泛化能力。这是因为EMA模型在一定程度上抑制了模型过拟合的倾向。
• 加速收敛: 在某些情况下，EMA模型可以加速模型的收敛速度。

EMA如何工作？

假设我们有一个模型参数$\theta$，它的EMA值为 ${\theta }_{EMA}$。在每次训练迭代后，我们按照以下公式更新 ${\theta }_{EMA}$：

${\theta }_{EMA}=\beta \ast {\theta }_{EMA}+(1-\beta )\ast \theta$

其中：

• β：衰减率，通常取值为0.999或0.9999。β越大，EMA模型对历史参数的权重就越大。
• θ：当前模型参数。
• θ_EMA：EMA模型的参数。

对应的 Diffusers 代码

在 diffusers 的官方训练代码中可以找到，路径位于 /path/to/diffusers/examples/unconditional_image_generation/train_unconditional.py

 # Create EMA for the model.if args.use_ema:ema_model = EMAModel(model.parameters(),decay=args.ema_max_decay,use_ema_warmup=True,inv_gamma=args.ema_inv_gamma,power=args.ema_power,model_cls=UNet2DModel,model_config=model.config,)...
parser.add_argument("--ema_max_decay", type=float, default=0.9999, help="The maximum decay magnitude for EMA.")

EMA的应用场景

• 模型集成: 可以将多个EMA模型的预测结果进行平均，以提高模型的鲁变性。
• 半监督学习: 在半监督学习中，EMA模型可以用来生成伪标签。
• 强化学习: 在强化学习中，EMA模型可以用来平滑策略。

总结

EMA是一种简单而有效的技术，可以提高深度学习模型的性能。通过维护模型参数的指数移动平均，EMA模型可以帮助模型找到更好的局部最小值，提高模型的稳定性和泛化能力。

形象地说，EMA模型就像是一个经验丰富的老师，它可以帮助模型更好地学习，避免犯一些常见的错误。