智谱AI：CogVideoX-2b——视频生成模型的得力工具

CogVideoX 简介——它是什么？

智谱AI公布了一项激动人心的技术创新：他们决定将他们开发的视频生成模型CogVideoX的源代码对外公开。

这个模型目前能够处理的提示词数量上限为226个token，这意味着它可以理解和响应较长的文本输入。生成的视频长度可以达到6秒钟，以每秒8帧的速度播放，分辨率则为720像素乘以480像素。虽然这只是一个初步的版本，但智谱AI已经透露，他们正在开发性能更优越、参数量更大的后续版本。

CogVideoX的核心优势在于其采用了先进的3D变分自编码器技术。这种技术能够将视频数据的体积压缩到原来的2%，极大地减少了处理视频所需的计算资源，同时保持了视频帧与帧之间的连贯性。这种技术的应用有效避免了在视频生成过程中可能出现的闪烁现象，保证了视频的流畅播放。

• 上图为3D旋转位置编码（3D RoPE）技术简介图

为了进一步提升视频内容的连贯性，CogVideoX还集成了3D旋转位置编码（3D RoPE）技术。这项技术使得模型在处理视频数据时，能够更加精准地捕捉到时间维度上帧与帧之间的关系，建立起视频中的长期依赖关系。这样的设计使得生成的视频序列更加流畅和连贯，提高了观看体验。

在提高视频生成的可控性方面，智谱AI开发了一个端到端的视频理解模型。这个模型能够为视频数据生成精确且与视频内容紧密相关的描述。这一创新显著增强了CogVideoX对文本的理解和对用户指令的执行能力，确保了生成的视频不仅与用户的输入高度相关，而且能够处理更长、更复杂的文本提示。

对于有兴趣深入了解和使用CogVideoX的开发者和研究者，智谱AI提供了以下资源：

• 代码仓库：可以通过GitHub访问，地址为：https://github.com/THUDM/CogVideo
• 模型下载：可以在Hugging Face平台上找到，地址为：https://huggingface.co/THUDM/CogVideoX-2b
• 技术报告：提供了详细的技术细节和模型性能分析，可以在GitHub上找到，地址为：https://github.com/THUDM/CogVideo/blob/main/resources/CogVideoX.pdf

本文将详细介绍如何在丹摩服务器上部署CogVideoX，并提供初步的使用指南，帮助用户快速上手并开始利用这个强大的视频生成工具。

CogVideoX 具体部署与实践指南

一、创建丹摩实例

要开始部署CogVideoX，首先需要在控制台中创建一个GPU云实例。以下是创建步骤：

1. 登录到丹摩控制台。
2. 选择并点击“GPU云实例”选项。
3. 点击“创建实例”按钮。

在实例配置中，考虑到CogVideoX在FP-16精度下进行推理至少需要18GB的显存，进行微调则需要40GB显存，因此推荐选择L40S或4090显卡。硬盘配置方面，可以选择100GB的系统盘和50GB的数据盘。操作系统镜像建议选择PyTorch 2.3.0、Ubuntu 22.04，CUDA 12.1版本。完成配置后，创建实例并绑定密钥对，然后启动实例。

二、配置环境和依赖

创建好实例后，接下来需要配置环境和依赖。以下是详细步骤：

1. 通过JupyterLab进入终端。

2. 使用wget命令下载CogVideo代码仓库：

   wget http://file.s3/damodel-openfile/CogVideoX/CogVideo-main.tar
   

3. 解压缩下载的文件：

   tar -xf CogVideo-main.tar
   

   

4. 进入CogVideo-main目录，并安装依赖：

   cd CogVideo-main/
   pip install -r requirements.txt
   

5. 安装完成后，可以通过以下Python代码测试依赖是否安装成功：

   import torch
   from diffusers import CogVideoXPipeline
   from diffusers.utils import export_to_video
   

   如果运行无误，说明依赖安装成功。
   

三、上传模型与配置文件

除了代码和依赖，还需要上传CogVideoX模型文件和配置文件。以下是上传步骤：

1. 访问官方模型仓库：https://huggingface.co/THUDM/CogVideoX-2b/tree/main，下载所有必要的模型和配置文件。

2. 使用以下命令下载并解压模型文件：

   cd /root/workspace
   wget http://file.s3/damodel-openfile/CogVideoX/CogVideoX-2b.tar
   tar -xf CogVideoX-2b.tar
   

   

四、开始运行

一切准备就绪后，可以开始运行CogVideoX。以下是运行步骤：

1. 进入CogVideo-main目录：

   cd /root/workspace/CogVideo-main
   

2. 运行test.py文件：

   python test.py
   

3. test.py文件中包含了使用CogVideoXPipeline生成视频的代码。例如：

   import torch
   from diffusers import CogVideoXPipeline
   from diffusers.utils import export_to_video
   
   prompt = "A panda, dressed in a small, red jacket and a tiny hat, sits on a wooden stool in a serene bamboo forest..."
   pipe = CogVideoXPipeline.from_pretrained("/root/workspace/CogVideoX-2b", torch_dtype=torch.float16).to("cuda")
   prompt_embeds, _ = pipe.encode_prompt(prompt=prompt, do_classifier_free_guidance=True, num_videos_per_prompt=1, max_sequence_length=226, device="cuda", dtype=torch.float16)
   video = pipe(num_inference_steps=50, guidance_scale=6, prompt_embeds=prompt_embeds).frames[0]
   export_to_video(video, "output.mp4", fps=8)
   

4. 运行成功后，可以在当前目录下找到生成的视频文件output.mp4。

五、Web UI 演示

CogVideoX还提供了一个Web UI演示。以下是启动步骤：

1. 进入CogVideo-main目录：

   cd /root/workspace/CogVideo-main
   

2. 运行gradio_demo.py文件：

   python gradio_demo.py
   

3. 运行后，访问本地URL http://0.0.0.0:7870 即可看到Web UI界面。

为了从外部访问这个Web UI，需要通过丹摩平台的端口映射功能将内网端口映射到公网：

1. 进入GPU云实例页面，点击“操作” -> “更多” -> “访问控制”。
2. 点击“添加端口”，添加7870端口。
3. 添加成功后，通过提供的公网链接即可访问Web UI界面。

通过以上步骤，你可以成功部署并运行CogVideoX，生成高质量的视频内容。