-
Notifications
You must be signed in to change notification settings - Fork 9
/
run.sh
118 lines (98 loc) · 6.44 KB
/
run.sh
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
############################################### ADM ~ CelebA 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp celeb256_f8_adm \
# --dataset celeba_256 --datadir ../cnf_flow/data/celeba/celeba-lmdb \
# --batch_size 112 --num_epoch 500 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 2 2 --attn_resolution 16 8 --num_res_blocks 2 \
# --lr 2e-5 --scale_factor 0.18215 \
# --save_content --save_content_every 10 \
# --use_origin_adm
############################################### ADM ~ FFHQ 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp ffhq_f8_adm \
# --dataset ffhq_256 --datadir data/ffhq/ffhq-lmdb \
# --batch_size 128 --num_epoch 500 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 2e-5 --scale_factor 0.18215 \
# --save_content --save_content_every 10 \
############################################### ADM ~ Bed 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp bed_f8_adm \
# --dataset lsun_bedroom --datadir data/lsun/ \
# --batch_size 128 --num_epoch 500 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 1e-5 --scale_factor 0.18215 --no_lr_decay \
# --save_content --save_content_every 10 \
############################################### ADM ~ IMNET 256 ###############################################
# accelerate launch --multi_gpu --num_processes 8 train_flow_latent.py --exp imnet_f8_adm \
# --dataset imagenet_256 --datadir ./data/imagenet/ --num_classes 1000 \
# --batch_size 96 --num_epoch 1200 --label_dim 1000 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 1e-4 --scale_factor 0.18215 --no_lr_decay \
# --save_content --save_content_every 10 \
############################################### DiT-B/2 ~ IMNET 256 ###############################################
# accelerate launch --multi_gpu --num_processes 8 train_flow_latent.py --exp imnet_f8_ditb2 \
# --dataset imagenet_256 --datadir ./data/imagenet/ \
# --batch_size 160 --num_epoch 1000 --label_dim 1000 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 1e-4 --scale_factor 0.18215 --no_lr_decay \
# --model_type DiT-B/2 --num_classes 1000 --label_dropout 0.1 \
# --save_content --save_content_every 10 \
# --use_grad_checkpointing \
############################################### DiT-L/2 ~ CelebA 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp celeb_f8_dit \
# --dataset celeba_256 --datadir data/celeba/celeba-lmdb \
# --batch_size 32 --num_epoch 500 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 2e-4 --scale_factor 0.18215 --no_lr_decay \
# --model_type DiT-L/2 --num_classes 1 --label_dropout 0. \
# --save_content --save_content_every 10 \
############################################### DiT-L/2 ~ FFHQ 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp ffhq_f8_dit \
# --dataset ffhq_256 --datadir data/ffhq/ffhq-lmdb \
# --batch_size 32 --num_epoch 500 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 2e-4 --scale_factor 0.18215 \
# --model_type DiT-L/2 --num_classes 1 --label_dropout 0. \
# --save_content --save_content_every 10 \
############################################### DiT-L/2 ~ BED 256 ###############################################
# accelerate launch --num_processes 1 train_flow_latent.py --exp bed_f8_dit \
# --dataset lsun_bedroom --datadir data/lsun/ \
# --batch_size 32 --num_epoch 600 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 1e-4 --scale_factor 0.18215 --no_lr_decay \
# --model_type DiT-L/2 --num_classes 1 --label_dropout 0. \
# --save_content --save_content_every 10 \
############################################### DiT-L/2 ~ Church 256 ###############################################
# accelerate launch --multi_gpu --num_processes 2 train_flow_latent.py --exp church_f8_dit \
# --dataset lsun_church --datadir data/lsun/ \
# --batch_size 48 --num_epoch 600 \
# --image_size 256 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 3 4 --attn_resolution 16 8 4 --num_res_blocks 2 \
# --lr 1e-4 --scale_factor 0.18215 --no_lr_decay \
# --model_type DiT-L/2 --num_classes 1 --label_dropout 0. \
# --save_content --save_content_every 10 \
############################################### ADM ~ CelebA 1024 ###############################################
# accelerate launch --multi_gpu --num_processes 8 --mixed_precision bf16 train_flow_latent.py \
# --exp celeb1024_f8_adm \
# --dataset celeba_1024 --datadir data/celeba_1024/celeba-lmdb-1024 \
# --batch_size 6 --num_epoch 1000 \
# --image_size 1024 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 1 2 2 4 4 --attn_resolution 16 8 --num_res_blocks 2 \
# --lr 2e-5 --scale_factor 0.18215 --no_lr_decay \
# --save_content --save_content_every 10 \
############################################### ADM ~ CelebA 512 ###############################################
# accelerate launch --multi_gpu --num_processes 8 --mixed_precision bf16 train_flow_latent.py \
# --exp celeb512_f8_adm \
# --dataset celeba_512 --datadir data/celeba_512/celeba-lmdb-512 \
# --batch_size 6 --num_epoch 1000 \
# --image_size 512 --f 8 --num_in_channels 4 --num_out_channels 4 \
# --nf 256 --ch_mult 1 2 2 2 4 --attn_resolution 16 8 --num_res_blocks 2 \
# --lr 2e-5 --scale_factor 0.18215 --no_lr_decay \
# --save_content --save_content_every 10 \
# --use_origin_adm \