DeepCache

DeepCache 利用 U-Net 架构的特性，通过有策略地缓存和重用高层特征，同时高效地更新低层特征，从而加速 StableDiffusionPipeline 和 StableDiffusionXLPipeline。

首先安装 DeepCache

pip install DeepCache

然后加载并启用 DeepCacheSDHelper

  import torch
  from diffusers import StableDiffusionPipeline
  pipe = StableDiffusionPipeline.from_pretrained('stable-diffusion-v1-5/stable-diffusion-v1-5', torch_dtype=torch.float16).to("cuda")

+ from DeepCache import DeepCacheSDHelper
+ helper = DeepCacheSDHelper(pipe=pipe)
+ helper.set_params(
+     cache_interval=3,
+     cache_branch_id=0,
+ )
+ helper.enable()

  image = pipe("a photo of an astronaut on a moon").images[0]

set_params 方法接受两个参数：cache_interval 和 cache_branch_id。cache_interval 表示特征缓存的频率，即每次缓存操作之间的步数。cache_branch_id 标识负责执行缓存过程的网络分支（按从最浅层到最深层的顺序排列）。选择较小的 cache_branch_id 或较大的 cache_interval 可以加快推理速度，但会牺牲一定的图像质量（关于这两个超参数的消融实验可以在论文中找到）。设置好这些参数后，使用 enable 或 disable 方法来激活或停用 DeepCacheSDHelper。

你可以在 WandB 报告中找到更多生成的样本（原始 pipeline vs DeepCache）以及相应的推理延迟。提示词随机选自 MS-COCO 2017 数据集。

基准测试

我们在 NVIDIA RTX A5000 上测试了 DeepCache 在 50 个推理步骤下对 Stable Diffusion v2.1 的加速效果，测试中使用了不同的分辨率、批大小、缓存间隔 (I) 和缓存分支 (B) 配置。