Diffusers 文档
Hunyuan-DiT
并获得增强的文档体验
开始使用
Hunyuan-DiT
Hunyuan-DiT:一个强大的多分辨率扩散Transformer,具有细粒度中文理解能力,来自腾讯混元。
论文摘要如下:
我们推出了Hunyuan-DiT,一个文本到图像扩散Transformer,能够细粒度地理解英语和中文。为了构建Hunyuan-DiT,我们精心设计了Transformer结构、文本编码器和位置编码。我们还从头开始构建了一个完整的数据管道,用于迭代模型优化中的数据更新和评估。为了实现细粒度的语言理解,我们训练了一个多模态大语言模型来完善图像的说明文字。最后,Hunyuan-DiT可以与用户进行多轮多模态对话,根据上下文生成和细化图像。通过我们由50多名专业人工评估员进行的整体人工评估协议,Hunyuan-DiT在中文到图像生成方面,相较于其他开源模型,树立了新的SOTA。
您可以在Tencent/HunyuanDiT找到原始代码库,在Tencent-Hunyuan找到所有可用检查点。
亮点:HunyuanDiT支持中/英文到图像、多分辨率生成。
HunyuanDiT 包含以下组件
- 它使用扩散Transformer作为骨干
- 它结合了两个文本编码器:一个双语CLIP和一个多语言T5编码器
请务必查看[调度器](guide)指南,了解如何在调度器速度和质量之间进行权衡,并参阅[在管道之间重用组件](reuse components across pipelines)部分,了解如何高效地将相同组件加载到多个管道中。
您可以通过将`HungyuanDiTPipeline`生成的图像传递给SDXL 精炼模型来进一步提高生成质量。
优化
您可以使用 `torch.compile` 和前馈分块来优化管道的运行时和内存消耗。要了解其他优化方法,请查阅加速推理和减少内存使用指南。
推理
使用 torch.compile
减少推理延迟。
首先,加载管道
from diffusers import HunyuanDiTPipeline
import torch
pipeline = HunyuanDiTPipeline.from_pretrained(
"Tencent-Hunyuan/HunyuanDiT-Diffusers", torch_dtype=torch.float16
).to("cuda")
然后将管道 transformer
和 vae
组件的内存布局更改为 torch.channels-last
。
pipeline.transformer.to(memory_format=torch.channels_last) pipeline.vae.to(memory_format=torch.channels_last)
最后,编译组件并运行推理。
pipeline.transformer = torch.compile(pipeline.transformer, mode="max-autotune", fullgraph=True)
pipeline.vae.decode = torch.compile(pipeline.vae.decode, mode="max-autotune", fullgraph=True)
image = pipeline(prompt="一个宇航员在骑马").images[0]
在 80GB A100 机器上的基准测试结果如下:
With torch.compile(): Average inference time: 12.470 seconds. Without torch.compile(): Average inference time: 20.570 seconds.
内存优化
通过加载 8 位 T5 文本编码器,您可以在不到 6 GB 的 GPU 显存中运行管道。有关详细信息,请参阅此脚本。
此外,您可以使用 enable_forward_chunking() 方法来减少内存使用。前馈分块会以循环方式而不是一次性地运行 Transformer 块中的前馈层。这可在内存消耗和推理运行时之间提供一个权衡。
+ pipeline.transformer.enable_forward_chunking(chunk_size=1, dim=1)
HunyuanDiTPipeline
class diffusers.HunyuanDiTPipeline
< 来源 >( vae: AutoencoderKL text_encoder: BertModel tokenizer: BertTokenizer transformer: HunyuanDiT2DModel scheduler: DDPMScheduler safety_checker: StableDiffusionSafetyChecker feature_extractor: CLIPImageProcessor requires_safety_checker: bool = True text_encoder_2: typing.Optional[transformers.models.t5.modeling_t5.T5EncoderModel] = None tokenizer_2: typing.Optional[transformers.models.mt5.tokenization_mt5.MT5Tokenizer] = None )
参数
- vae (AutoencoderKL) — 用于将图像编码和解码为潜在表示的变分自编码器 (VAE) 模型。我们使用 `sdxl-vae-fp16-fix`。
- text_encoder (可选[
~transformers.BertModel
,~transformers.CLIPTextModel
]) — 冻结的文本编码器(clip-vit-large-patch14)。HunyuanDiT 使用一个经过微调的[双语 CLIP]。 - tokenizer (可选[
~transformers.BertTokenizer
,~transformers.CLIPTokenizer
]) — 用于标记文本的 `BertTokenizer` 或 `CLIPTokenizer`。 - transformer (HunyuanDiT2DModel) — 腾讯混元设计的 HunyuanDiT 模型。
- text_encoder_2 (
T5EncoderModel
) — mT5 嵌入器。具体来说,它是“t5-v1_1-xxl”。 - tokenizer_2 (
MT5Tokenizer
) — 用于 mT5 嵌入器的分词器。 - scheduler (DDPMScheduler) — 与 HunyuanDiT 结合使用的调度器,用于对编码图像的潜在空间进行去噪。
用于使用 HunyuanDiT 进行英语/中文到图像生成的管道。
此模型继承自DiffusionPipeline。有关库为所有管道实现的通用方法(例如下载或保存、在特定设备上运行等),请查阅超类文档。
HunyuanDiT 使用两个文本编码器:mT5 和 [双语 CLIP](我们自己微调的)
__call__
< 来源 >( prompt: typing.Union[str, typing.List[str]] = None height: typing.Optional[int] = None width: typing.Optional[int] = None num_inference_steps: typing.Optional[int] = 50 guidance_scale: typing.Optional[float] = 5.0 negative_prompt: typing.Union[str, typing.List[str], NoneType] = None num_images_per_prompt: typing.Optional[int] = 1 eta: typing.Optional[float] = 0.0 generator: typing.Union[torch._C.Generator, typing.List[torch._C.Generator], NoneType] = None latents: typing.Optional[torch.Tensor] = None prompt_embeds: typing.Optional[torch.Tensor] = None prompt_embeds_2: typing.Optional[torch.Tensor] = None negative_prompt_embeds: typing.Optional[torch.Tensor] = None negative_prompt_embeds_2: typing.Optional[torch.Tensor] = None prompt_attention_mask: typing.Optional[torch.Tensor] = None prompt_attention_mask_2: typing.Optional[torch.Tensor] = None negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None negative_prompt_attention_mask_2: typing.Optional[torch.Tensor] = None output_type: typing.Optional[str] = 'pil' return_dict: bool = True callback_on_step_end: typing.Union[typing.Callable[[int, int, typing.Dict], NoneType], diffusers.callbacks.PipelineCallback, diffusers.callbacks.MultiPipelineCallbacks, NoneType] = None callback_on_step_end_tensor_inputs: typing.List[str] = ['latents'] guidance_rescale: float = 0.0 original_size: typing.Optional[typing.Tuple[int, int]] = (1024, 1024) target_size: typing.Optional[typing.Tuple[int, int]] = None crops_coords_top_left: typing.Tuple[int, int] = (0, 0) use_resolution_binning: bool = True ) → StableDiffusionPipelineOutput 或 tuple
参数
- prompt (
str
或List[str]
, *可选*) — 用于引导图像生成的提示词。如果未定义,您需要传递 `prompt_embeds`。 - height (
int
) — 生成图像的高度(像素)。 - width (
int
) — 生成图像的宽度(像素)。 - num_inference_steps (
int
, *可选*, 默认为 50) — 去噪步数。更多的去噪步数通常会带来更高质量的图像,但代价是推理速度变慢。此参数受 `strength` 调制。 - guidance_scale (
float
, *可选*, 默认为 7.5) — 较高的引导比例值鼓励模型生成与文本 `prompt` 紧密相关的图像,但代价是图像质量较低。当 `guidance_scale > 1` 时启用引导比例。 - negative_prompt (
str
或List[str]
, *可选*) — 用于引导图像生成中不包含的内容的提示词。如果未定义,您需要改为传递 `negative_prompt_embeds`。当不使用引导时 (`guidance_scale < 1`),此参数将被忽略。 - num_images_per_prompt (
int
, 可选, 默认为 1) — 每个提示词生成的图像数量。 - eta (
float
, 可选, 默认为 0.0) — 对应于 DDIM 论文中的参数 eta (η)。仅适用于 DDIMScheduler,在其他调度器中被忽略。 - generator (
torch.Generator
或List[torch.Generator]
, 可选) — 一个torch.Generator
,用于使生成具有确定性。 - prompt_embeds (
torch.Tensor
, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入(提示权重)。如果未提供,则从prompt
输入参数生成文本嵌入。 - prompt_embeds_2 (
torch.Tensor
, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入(提示权重)。如果未提供,则从prompt
输入参数生成文本嵌入。 - negative_prompt_embeds (
torch.Tensor
, 可选) — 预生成的负面文本嵌入。可用于轻松调整文本输入(提示权重)。如果未提供,negative_prompt_embeds
将从negative_prompt
输入参数生成。 - negative_prompt_embeds_2 (
torch.Tensor
, 可选) — 预生成的负面文本嵌入。可用于轻松调整文本输入(提示权重)。如果未提供,negative_prompt_embeds
将从negative_prompt
输入参数生成。 - prompt_attention_mask (
torch.Tensor
, 可选) — 提示词的注意力掩码。当直接传入prompt_embeds
时,此项为必需。 - prompt_attention_mask_2 (
torch.Tensor
, 可选) — 提示词的注意力掩码。当直接传入prompt_embeds_2
时,此项为必需。 - negative_prompt_attention_mask (
torch.Tensor
, 可选) — 负面提示词的注意力掩码。当直接传入negative_prompt_embeds
时,此项为必需。 - negative_prompt_attention_mask_2 (
torch.Tensor
, 可选) — 负面提示词的注意力掩码。当直接传入negative_prompt_embeds_2
时,此项为必需。 - output_type (
str
, 可选, 默认为"pil"
) — 生成图像的输出格式。在PIL.Image
或np.array
之间选择。 - return_dict (
bool
, 可选, 默认为True
) — 是否返回 StableDiffusionPipelineOutput 而不是普通的元组。 - callback_on_step_end (
Callable[[int, int, Dict], None]
,PipelineCallback
,MultiPipelineCallbacks
, 可选) — 在每个去噪步骤结束时调用的回调函数或回调函数列表。 - callback_on_step_end_tensor_inputs (
List[str]
, 可选) — 应该传递给回调函数的张量输入列表。如果未定义,则将传递所有张量输入。 - guidance_rescale (
float
, 可选, 默认为 0.0) — 根据guidance_rescale
重新缩放 noise_cfg。基于 Common Diffusion Noise Schedules and Sample Steps are Flawed 的发现。参见第 3.4 节。 - original_size (
Tuple[int, int]
, 可选, 默认为(1024, 1024)
) — 图像的原始尺寸。用于计算时间 ID。 - target_size (
Tuple[int, int]
, 可选) — 图像的目标尺寸。用于计算时间 ID。 - crops_coords_top_left (
Tuple[int, int]
, 可选, 默认为(0, 0)
) — 裁剪的左上角坐标。用于计算时间 ID。 - use_resolution_binning (
bool
, 可选, 默认为True
) — 是否使用分辨率分箱。如果为True
,输入分辨率将映射到最接近的标准分辨率。支持的分辨率为 1024x1024、1280x1280、1024x768、1152x864、1280x960、768x1024、864x1152、960x1280、1280x768 和 768x1280。建议将其设置为True
。
返回
StableDiffusionPipelineOutput 或 tuple
如果 return_dict
为 True
,则返回 StableDiffusionPipelineOutput,否则返回一个 tuple
,其中第一个元素是生成的图像列表,第二个元素是指示相应生成的图像是否包含“不适合工作”(nsfw)内容的 bool
列表。
使用 HunyuanDiT 生成的管线调用函数。
示例
>>> import torch
>>> from diffusers import HunyuanDiTPipeline
>>> pipe = HunyuanDiTPipeline.from_pretrained(
... "Tencent-Hunyuan/HunyuanDiT-Diffusers", torch_dtype=torch.float16
... )
>>> pipe.to("cuda")
>>> # You may also use English prompt as HunyuanDiT supports both English and Chinese
>>> # prompt = "An astronaut riding a horse"
>>> prompt = "一个宇航员在骑马"
>>> image = pipe(prompt).images[0]
encode_prompt
< 源 >( prompt: str device: device = None dtype: dtype = None num_images_per_prompt: int = 1 do_classifier_free_guidance: bool = True negative_prompt: typing.Optional[str] = None prompt_embeds: typing.Optional[torch.Tensor] = None negative_prompt_embeds: typing.Optional[torch.Tensor] = None prompt_attention_mask: typing.Optional[torch.Tensor] = None negative_prompt_attention_mask: typing.Optional[torch.Tensor] = None max_sequence_length: typing.Optional[int] = None text_encoder_index: int = 0 )
参数
- prompt (
str
或List[str]
, 可选) — 待编码的提示词。 - device — (
torch.device
): torch 设备。 - dtype (
torch.dtype
) — torch 数据类型。 - num_images_per_prompt (
int
) — 每个提示词应生成的图像数量。 - do_classifier_free_guidance (
bool
) — 是否使用分类器自由引导。 - negative_prompt (
str
或List[str]
, 可选) — 不用于指导图像生成的提示词。如果未定义,则必须传入negative_prompt_embeds
。当不使用引导时(即,如果guidance_scale
小于1
),则忽略。 - prompt_embeds (
torch.Tensor
, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入,例如提示权重。如果未提供,文本嵌入将从prompt
输入参数生成。 - negative_prompt_embeds (
torch.Tensor
, 可选) — 预生成的负面文本嵌入。可用于轻松调整文本输入,例如提示权重。如果未提供,negative_prompt_embeds
将从negative_prompt
输入参数生成。 - prompt_attention_mask (
torch.Tensor
, 可选) — 提示词的注意力掩码。当直接传入prompt_embeds
时,此项为必需。 - negative_prompt_attention_mask (
torch.Tensor
, 可选) — 负面提示词的注意力掩码。当直接传入negative_prompt_embeds
时,此项为必需。 - max_sequence_length (
int
, 可选) — 提示词使用的最大序列长度。 - text_encoder_index (
int
, 可选) — 要使用的文本编码器索引。0
代表 clip,1
代表 T5。
将提示编码为文本编码器隐藏状态。