作为 Stable Diffusion 3 的改进版本,Stable Diffusion 3.5 如今已在 Hugging Face Hub 中可用,并可以直接使用 Diffusers 中的代码运行。
本次发布包含 两套模型参数:
- 一个大型的模型 (large,8B)
- 该模型经过时间步蒸馏的版本,仅需几步推理即可生成图片
在本文中,我们将介绍如何在 Diffusers 中使用 Stable Diffusion 3.5 (SD3.5),涵盖推理和训练两方面内容。
目录
- 模型结构改进
- 在 Diffusers 中使用 SD3.5
- 在推理过程中使用量化策略
- 在 SD3.5-large 上使用量化策略训练 LoRA
- 使用 single-file 方法加载 SD3.5 的 Transformer 模型
- 重要链接
模型结构改进
对于 SD3.5-large 使用的 transformer 模型,其结构基本和 SD3-medium 里的相同,但有以下更改:
- QK normalization: 对于训练大型的 Transformer 模型,使用 QK normalization 已经成为标准做法,所以 SD3.5-large 也不例外。
- 双注意力层: 在 MMDiT 结构中,文本和图像两个模态都在使用同一个注意力层; 而 SD3.5-large 则使用了两个注意力层。
除此之外,文本编码器 (text encoder)、图像的变分自编码器 (VAE) 以及噪声调度器 (noise scheduler) 均和 SD3-medium 保持一致。如果对 SD3 感兴趣,可以参考 这篇论文。
在 Diffusers 中使用 SD3.5
首先你需要确保安装的 Diffusers 是最新版本:
pip install -U diffusers
由于模型存在访问限制,你还需要到 Hugging Face 上 Stable Diffusion 3.5 Large 的页面 填写表格并同意相关条款。完成后你还需要登陆账号,才能访问到模型。使用如下方法登陆 Hugging Face 账号:
huggingface-cli login
下列代码将下载 SD3.5 的 8B 模型。下载的模型使用 torch.bfloat16
精度,这是 Stability AI 的原版格式,也推荐使用该精度进行推理。
import torch
from diffusers import StableDiffusion3Pipeline
pipe = StableDiffusion3Pipeline.from_pretrained(
"stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16
).to("cuda")
image = pipe(
prompt="a photo of a cat holding a sign that says hello world",
negative_prompt="",
num_inference_steps=40,
height=1024,
width=1024,
guidance_scale=4.5,
).images[0]
image.save("sd3_hello_world.png")
本次发布也包含了一个 “时间步蒸馏” 的模型,该模型推理时无需 classifier-free guidance,可在短短几步推理内生成图片 (通常是 4 到 8 步)。
import torch
from diffusers import StableDiffusion3Pipeline
pipe = StableDiffusion3Pipeline.from_pretrained(
"stabilityai/stable-diffusion-3.5-large-turbo", torch_dtype=torch.bfloat16
).to("cuda")
image = pipe(
prompt="a photo of a cat holding a sign that says hello world",
num_inference_steps=4,
height=1024,
width=1024,
guidance_scale=1.0,
).images[0]
image.save("sd3_hello_world.png")
此外,在 SD3 博客 和 官方 Diffusers 文档 中出现过的优化策略在 SD3.5 中都可使用。 这些策略都对推理时显存优化做了大量工作。由于 SD3.5-large 是一个比 SD3-medium 大得多的模型,显存优化对于消费级场景下的使用显得尤为重要。
在推理过程中使用量化策略
Diffusers 原生支持使用 bitsandbytes
进行量化,这可以进一步降低显存使用。
首先,我们需要安装必要的库:
pip install -Uq git+https://github.com/huggingface/transformers@main
pip install -Uq bitsandbytes
接下来加载 “NF4”精度 的模型:
from diffusers import BitsAndBytesConfig, SD3Transformer2DModel
import torch
model_id = "stabilityai/stable-diffusion-3.5-large"
nf4_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=torch.bfloat16
)
model_nf4 = SD3Transformer2DModel.from_pretrained(
model_id,
subfolder="transformer",
quantization_config=nf4_config,
torch_dtype=torch.bfloat16
)
然后我们就能进行推理了:
from diffusers import StableDiffusion3Pipeline
pipeline = StableDiffusion3Pipeline.from_pretrained(
model_id,
transformer=model_nf4,
torch_dtype=torch.bfloat16
)
pipeline.enable_model_cpu_offload()
prompt = "A whimsical and creative image depicting a hybrid creature that is a mix of a waffle and a hippopotamus, basking in a river of melted butter amidst a breakfast-themed landscape. It features the distinctive, bulky body shape of a hippo. However, instead of the usual grey skin, the creature's body resembles a golden-brown, crispy waffle fresh off the griddle. The skin is textured with the familiar grid pattern of a waffle, each square filled with a glistening sheen of syrup. The environment combines the natural habitat of a hippo with elements of a breakfast table setting, a river of warm, melted butter, with oversized utensils or plates peeking out from the lush, pancake-like foliage in the background, a towering pepper mill standing in for a tree. As the sun rises in this fantastical world, it casts a warm, buttery glow over the scene. The creature, content in its butter river, lets out a yawn. Nearby, a flock of birds take flight"
image = pipeline(
prompt=prompt,
negative_prompt="",
num_inference_steps=28,
guidance_scale=4.5,
max_sequence_length=512,
).images[0]
image.save("whimsical.png")
如果你想调节 BitsAndBytesConfig
中其它配置,你可以在 这里 参考官方文档。
直接载入相同 nf4_config
配置的已量化模型也是可以的,这对 RAM 较低的机器来说非常实用,读者可以在 这里的 Colab Notebook 来获取完整示例。
在 SD3.5-large 上使用量化策略训练 LoRA
借助 bitsandbytes
和 peft
,我们可以在消费级显卡 (24GB 显存) 上微调像 SD3.5 这样的大模型。我们提供的 SD3 训练脚本 可以在这里用来训练 LoRA,使用如下命令即可:
accelerate launch train_dreambooth_lora_sd3.py \
--pretrained_model_name_or_path="stabilityai/stable-diffusion-3.5-large" \
--dataset_name="Norod78/Yarn-art-style" \
--output_dir="yart_art_sd3-5_lora" \
--mixed_precision="bf16" \
--instance_prompt="Frog, yarn art style" \
--caption_column="text"\
--resolution=768 \
--train_batch_size=1 \
--gradient_accumulation_steps=1 \
--learning_rate=4e-4 \
--report_to="wandb" \
--lr_scheduler="constant" \
--lr_warmup_steps=0 \
--max_train_steps=700 \
--rank=16 \
--seed="0" \
--push_to_hub
但如果想在训练中加入量化,还需要调整一些地方,这包括以下几个大概方向:
- 在初始化代码中的
transformer
时,加上量化配置,或者直接加载量化过的模型。 - 然后使用
peft
中的prepare_model_for_kbit_training()
函数对模型进行准备操作。 - 其它步骤和原代码保持一致即可 (感谢
peft
对bitsandbytes
的强力支持)。
读者可参考 这里 的完整示例。
使用 single-file 方法加载 SD3.5 的 Transformer 模型
Stable Diffusion 3.5 的 transformer 模型还可以使用 Stability AI 发布的原生参数文件来进行初始化 。 这里需要使用 from_single_file
方法:
import torch
from diffusers import SD3Transformer2DModel, StableDiffusion3Pipeline
transformer = SD3Transformer2DModel.from_single_file(
"https://huggingface.co/stabilityai/stable-diffusion-3.5-large-turbo/blob/main/sd3.5_large.safetensors",
torch_dtype=torch.bfloat16,
)
pipe = StableDiffusion3Pipeline.from_pretrained(
"stabilityai/stable-diffusion-3.5-large",
transformer=transformer,
torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()
image = pipe("a cat holding a sign that says hello world").images[0]
image.save("sd35.png")
重要链接
- SD3.5-large 在 Hugging Face Hub 上的 模型集合
- Diffusers 中 SD3.5 的 官方文档
- 用来运行 SD3.5 量化推理的 Colab Notebook
- LoRA 训练代码
- Stable Diffusion 3 官方论文
- Stable Diffusion 3 中文博客
声明: 感谢 Daniel Frank 为本博客提供了封面图,感谢 Pedro Cuenca 和 Tom Aarsen 对本文的审校。
英文原文: https://hf.co/blog/sd3-5
原文作者: YiYi Xu, Aryan V S, Dhruv Nair, Sayak Paul, Linoy Tsaban, Apolinário from multimodal AI art, Alvaro Somoza, Aritra Roy Gosthipaty
译者: hugging-hoi2022