今天Apple官方支持了这个库，所以特意下载下来试试看，效果还不错，M芯片在深度学习领域第一次给人惊喜了。
https://machinelearning.apple.com/research/stable-diffusion-coreml-apple-silicon
分享一下一个有意思的库的安装经历。
最近才发现有大神将这种生成模型给开源了，之前一直关注DELL这种的大型模型，被ai这种天马行空的想象力给惊艳到。但他们大都只是api接口，现在贫民百姓也可以自己拥有。<笑脸>
下载库
去github网址下载 - > https://github.com/CompVis/stable-diffusion
git clone https://github.com/CompVis/stable-diffusion.git配置环境和文件
简单的操作，在下载后的文件夹下直接输下面两个
conda env create -f environment.yamlconda activate ldm就配置好了。
或者就像我一样傻傻的报错一个安装一个。
我本身的环境是pytorch torchvision
pip install transformers==4.19.2 diffusers invisible-watermarkpip install -e .pip install OmegaConf einops taming-transformers pytorch-lighnting clip kornia问题
第一个问题官网是有说明的，但就是这个下载地址藏得很深不好找。
我也是找了一会才找到https://huggingface.co/CompVis/stable-diffusion-v-1-4-original，把这个sd-v1-4.ckpt文件下载下来（随便哪个都行），大概四个G。
下载模型文件放置到这个文件夹下，就是上面官方说明的那个位置，命名成model.ckpt。
运行下面的代码，不出意外会报错。
python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms
问题好像是原作者修改了这个库，将你的quantize.py（报错的信息里包含文件所在的绝对路径）文件替换成这个网址的文件
https://github.com/CompVis/taming-transformers/blob/master/taming/modules/vqvae/quantize.py
再运行一次又报错
我只是12g的3060，看来这不是一般人能玩得起的-_-
！！！！！！！！！！！！！！！！
现在有一个简单的办法了，感谢数学系之耻的建议，直接降精度就可以释放显存了。
！！！！！！！！！！！！！！！！
如下修改txt2img.py文件第244行
效果 -->
或者接下去看比较复杂的方法！
不知道需要多大的内存才可以，网上找到方法是用优化的库。网上还有一种办法说注释掉什么安全检查的我试了没有变化。
https://github.com/basujindal/stable-diffusion
下载完后在新的库上也是需要安装一些环境，在新的文件夹下运行下面的安装代码
pip install -e .
优化的库代码放在optimizedSD文件夹下，也保留了之前的源代码，不要搞错了。
重新安装一下这个优化库的环境，将ckpt放到对应的位置。
python optimizedSD/optimized_txt2img.py --prompt "Cyberpunk style image of a Tesla car reflection in rain" --H 512 --W 512 --seed 27 --n_iter 2 --n_samples 5 --ddim_steps 50运行后报这个错。
查了一下，好像是最近优化的作者也换了一个库
https://github.com/basujindal/stable-diffusion/issues/175
用下面的办法就能解决了。
pip install git+https://github.com/crowsonkb/k-diffusion.git然后打开编辑optimizedSD/ddpm.py文件，将from samplers…改成上面图片的三个from k_diffusion…
然后贫穷的显卡的电脑也就可以跑了，不说了要努力搬砖买24g的显卡了。
实测效果 -->
安装
https://github.com/apple/ml-stable-diffusion
git clone https://github.com/apple/ml-stable-diffusionpip install -e . #来到下载好的文件夹下面运行
登陆hugging face
https://huggingface.co/
没有的话直接注册，注册好了以后点击token生成https://huggingface.co//settings/tokens，然后复制token
接下去命令行输入指令，按提示输入
huggingface-cli login
运行指令
在文件夹下运行，顺便创建一个放置ml模型的文件夹，替换下面的-o
python -m python_coreml_stable_diffusion.torch2coreml --convert-unet --convert-text-encoder --convert-vae-decoder --convert-safety-checker -o ./output_ml官方还给了一个api
--model-version runwayml/stable-diffusion-v1-5 #可以指定其他版本的diffusion模型，默认是 CompVis/stable-diffusion-v1-4--bundle-resources-for-swift-cli #将ml文件整理成一个swift包，python生成不需要使用--chunk-unet #ios和ipados部署需要，后面两个之后有机会我想去尝试一下在真机上的部署--attention-implementation #在Apple芯片上的npu上实现如果想部署手机和平板可以参考下面这个
python -m python_coreml_stable_diffusion.torch2coreml --convert-unet --convert-text-encoder --convert-vae-decoder --convert-safety-checker -o ./sd2_ml --chunk-unet --model-version stabilityai/stable-diffusion-2-1-base --bundle-resources-for-swift-cli
大约20几分钟吧，会生成这些文件
接着还是在ml-stable-diffusion的文件夹下运行，对了再创建一个放图片的文件夹。
python -m python_coreml_stable_diffusion.pipeline --prompt "a photo of an astronaut riding a horse on mars" -i ./output_ml -o ./output_image --compute-unit ALL --seed 93swift用下面这个
swift run StableDiffusionSample "A photo of a little girl walking on the beach with the Jenny Turtle" --resource-path ./sd2_ml/Resources/ --seed 93 --output-path ./output_image
--model-version #如果前面修改了这个也要修改--num-inference-steps #默认推理50次，用这个可以自定义次数我是M2的MacBook Air，我参考了官方的基准指南--compute-unit 选择了CPU_AND_NE，大概21秒一个推理还是蛮快的（python），swift 2秒左右一个step，快了很多。
就是从上图中我们可以看到似乎无后缀的M芯片由于GPU数量较少吧我猜--compute-unit 都推荐选CPU_AND_NE，pro系列芯片选ALL，以上选CPU_AND_GPU。
--attention-implementation 直接看GPU核心数，小于等于16个使用SPLLIT_EINSUM，就是默认的其实啥也不用加。大于16个使用ORIGINAL。我猜因为M芯片是16核NPU的，GPU核心数比NPU小那肯定用NPU，GPU核心数大大超过NPU，那还是GPU的效率更高吧。
打开Xcode，导入库和上面生成的ML文件
import SwiftUIimport StableDiffusionimport CoreMLstruct ContentView: View { @State var prompt: String = "a photo of an astronaut riding a horse on mars" @State var step = 10 @State var seed = 100 @State var image: CGImage? @State var progress = 0.0 @State var generating = false @State var booting = true @State var pipeline: StableDiffusionPipeline? private let disableSafety = false var body: some View { VStack { if booting { Text("Initializing...") } else { if let image { Image(uiImage: UIImage(cgImage: image)) .resizable() .scaledToFit() } if generating { ProgressView(value: progress) } if !generating { TextField("Prompt", text: $prompt) Stepper(value: $step, in: 1...100) { Text("steps: \(step)") } Stepper(value: $seed, in: 0...10000) { Text("Seed: \(seed)") } Button("Generate") { progress = 0.0 image = nil generating = true Task.detached(priority: .high) {var images: [CGImage?]?do { print("generate") images = try pipeline?.generateImages(prompt: prompt, stepCount: step,seed: seed, disableSafety: disableSafety, progressHandler: { progress in print("test") self.progress = Double(progress.step) / Double(step) if let image = progress.currentImages.first { self.image = image } return true })} catch let error { print(error.localizedDescription)}print("finish")if let image = images?.first { self.image = image}generating = false } } } } } .padding() .onAppear{ Task.detached(priority: .high) { do { print(os_proc_available_memory()) guard let path = Bundle.main.path(forResource: "CoreMLModels", ofType: nil, inDirectory: nil) else { fatalError("Fatal error: failed to find the CoreML models.") } let resourceURL = URL(fileURLWithPath: path) let config = MLModelConfiguration() config.computeUnits = .cpuAndNeuralEngine pipeline = try StableDiffusionPipeline(resourcesAt: resourceURL, configuration: config,reduceMemory: true) try pipeline?.loadResources() print("initialized pipeline") } catch let error { print("error initializing pipeline") print(error.localizedDescription) } booting = false } } }}struct ContentView_Previews: PreviewProvider { static var previews: some View { ContentView() }}在iPad和Mac上建议config.computeUnits = .cpuAndNeuralEngine。如果要继续在iPhone上部署的话改为这个config.computeUnits = .cpuAndGPU，然后来到Signing界面，点击Capability，选择Increased Memory Limit。这样就可以在iPhone真机上运行了。这个项目在iPhone真机上需要3GB多一点的内存，我是iPhone 14pro，程序默认可用内存也是3GB多一点刚好杀死。所以通过Increased Memory Limit将可用内存提升至4GB左右才可以运行。另外，即使提升了内存使用神经引擎还是会抱内存错误，只有用GPU才可以，iPad air5没有这种报错两个都可。GPU的运行速度是比神经引擎慢一点的，但是一台手机可以本地运行diffusion还是蛮酷的。
来源地址：https://blog.csdn.net/weixin_45569617/article/details/126873709
