基本性能

扩散（Diffusion）是一种计算开销较大的随机过程。您可能需要多次运行 DiffusionPipeline 才能获得理想的输出。因此，仔细平衡生成速度和内存使用量以加快迭代速度至关重要，

本指南推荐了一些使用 DiffusionPipeline 时的基础性能技巧。如需更详细的性能指南，请参阅推理优化部分的文档，例如 Accelerate 推理 或 减少内存使用。

内存使用

减少内存占用可以间接加快生成速度，并有助于模型适配设备。

enable_model_cpu_offload() 方法会在模型未使用时将其移至 CPU，以节省 GPU 内存。

import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
  "stabilityai/stable-diffusion-xl-base-1.0",
  dtype=torch.bfloat16,
  device_map="cuda"  # or "mps", "xpu", "cpu"
)
pipeline.enable_model_cpu_offload()

prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
pipeline(prompt).images[0]
print(f"Max memory reserved: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB")

推理速度

去噪是扩散过程中计算量最大的环节。优化该过程的方法可以加速推理速度。请尝试以下方法以提升速度。

• 添加 device_map="cuda" 可将流水线放置在 GPU 上。将模型放置在 GPU 等加速器上可以加快处理速度，因为它能够并行执行计算。
• 设置 dtype=torch.bfloat16 以半精度执行流水线。降低数据类型精度可提高速度，因为在较低精度下执行计算所需的时间更短。

import torch
import time
from diffusers import DiffusionPipeline, DPMSolverMultistepScheduler

pipeline = DiffusionPipeline.from_pretrained(
  "stabilityai/stable-diffusion-xl-base-1.0",
  dtype=torch.bfloat16,
  device_map="cuda
)

• 使用更快的调度器，例如 DPMSolverMultistepScheduler，它仅需约 20-25 步。
• 将 num_inference_steps 设置为更低的值。减少推理步数会降低整体计算量。但这样做可能会导致生成质量下降。

pipeline.scheduler = DPMSolverMultistepScheduler.from_config(pipeline.scheduler.config)

prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""

start_time = time.perf_counter()
image = pipeline(prompt).images[0]
end_time = time.perf_counter()

print(f"Image generation took {end_time - start_time:.3f} seconds")

生成质量

许多现代扩散模型开箱即可生成高质量图像。不过，你仍可通过尝试以下方法来进一步提升生成质量。

• 尝试使用更详细、更具描述性的提示词。包含诸如图像媒介、主体、风格和美学等细节。负面提示词也有助于引导模型避免不理想的特征，例如使用“低质量”或“模糊”等词语。

  已复制

  import torch
  from diffusers import DiffusionPipeline
  
  pipeline = DiffusionPipeline.from_pretrained(
      "stabilityai/stable-diffusion-xl-base-1.0",
      dtype=torch.bfloat16,
      device_map="cuda"  # or "mps", "xpu", "cpu"
  )
  
  prompt = """
  cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
  highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
  """
  negative_prompt = "low quality, blurry, ugly, poor details"
  pipeline(prompt, negative_prompt=negative_prompt).images[0]

  有关创建更优质提示词的详细信息，请参阅Prompt techniques文档。

• 尝试使用不同的调度器，例如 HeunDiscreteScheduler 或 LMSDiscreteScheduler，它们以牺牲生成速度为代价来提升质量。

  已复制

  import torch
  from diffusers import DiffusionPipeline, HeunDiscreteScheduler
  
  pipeline = DiffusionPipeline.from_pretrained(
      "stabilityai/stable-diffusion-xl-base-1.0",
      dtype=torch.bfloat16,
      device_map="cuda"  # or "mps", "xpu", "cpu"
  )
  pipeline.scheduler = HeunDiscreteScheduler.from_config(pipeline.scheduler.config)
  
  prompt = """
  cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
  highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
  """
  negative_prompt = "low quality, blurry, ugly, poor details"
  pipeline(prompt, negative_prompt=negative_prompt).images[0]

后续步骤

Diffusers 提供了更高级、更强大的优化功能，例如 group-offloading 和 regional compilation。如需了解如何最大化性能，请参阅推理优化部分。