Diffusers 文档
T-GATE
加入 Hugging Face 社区
并获得增强的文档体验
开始使用
T-GATE
T-GATE 通过在交叉注意力计算收敛后跳过其计算,来加速 Stable Diffusion、PixArt 和 Latency Consistency Model 管道的推理。这种方法不需要额外的训练,并且可以将推理速度提高 10-50%。T-GATE 还与其他优化方法兼容,例如 DeepCache。
在开始之前,请确保已安装 T-GATE。
pip install tgate pip install -U torch diffusers transformers accelerate DeepCache
要将 T-GATE 与管道一起使用,您需要使用其相应的加载器。
流水线 | T-GATE 加载器 |
---|---|
PixArt | TgatePixArtLoader |
Stable Diffusion XL | TgateSDXLLoader |
Stable Diffusion XL + DeepCache | TgateSDXLDeepCacheLoader |
Stable Diffusion | TgateSDLoader |
Stable Diffusion + DeepCache | TgateSDDeepCacheLoader |
接下来,使用管道、门控步(停止计算交叉注意力的时间步)和推理步数创建一个 TgateLoader
。然后,使用提示、门控步和推理步数在管道上调用 tgate
方法。
让我们看看如何为几种不同的管道启用此功能。
PixArt
Stable Diffusion XL
带有 DeepCache 的 StableDiffusionXL
潜在一致性模型
使用 T-GATE 加速 PixArtAlphaPipeline
import torch
from diffusers import PixArtAlphaPipeline
from tgate import TgatePixArtLoader
pipe = PixArtAlphaPipeline.from_pretrained("PixArt-alpha/PixArt-XL-2-1024-MS", torch_dtype=torch.float16)
gate_step = 8
inference_step = 25
pipe = TgatePixArtLoader(
pipe,
gate_step=gate_step,
num_inference_steps=inference_step,
).to("cuda")
image = pipe.tgate(
"An alpaca made of colorful building blocks, cyberpunk.",
gate_step=gate_step,
num_inference_steps=inference_step,
).images[0]
T-GATE 还支持 StableDiffusionPipeline 和 PixArt-alpha/PixArt-LCM-XL-2-1024-MS。
基准
模型 | 乘法累加运算(MACs) | 参数量 | 延迟 | MS-COCO 上的零样本 10K-FID |
---|---|---|---|---|
SD-1.5 | 16.938万亿 | 8.5952亿 | 7.032秒 | 23.927 |
SD-1.5 w/ T-GATE | 9.875万亿 | 8.15557亿 | 4.313秒 | 20.789 |
SD-2.1 | 38.041万亿 | 8.65785亿 | 16.121秒 | 22.609 |
SD-2.1 w/ T-GATE | 22.208万亿 | 8.15433 亿 | 9.878秒 | 19.940 |
SD-XL | 149.438万亿 | 25.7亿 | 53.187秒 | 24.628 |
SD-XL w/ T-GATE | 84.438万亿 | 20.24亿 | 27.932秒 | 22.738 |
Pixart-Alpha | 107.031万亿 | 6.1135亿 | 61.502秒 | 38.669 |
Pixart-Alpha w/ T-GATE | 65.318万亿 | 4.62585亿 | 37.867秒 | 35.825 |
DeepCache (SD-XL) | 57.888万亿 | - | 19.931秒 | 23.755 |
DeepCache w/ T-GATE | 43.868万亿 | - | 14.666秒 | 23.999 |
LCM (SD-XL) | 11.955万亿 | 25.7亿 | 3.805秒 | 25.044 |
LCM w/ T-GATE | 11.171万亿 | 20.24亿 | 3.533秒 | 25.028 |
LCM (Pixart-Alpha) | 8.563万亿 | 6.1135亿 | 4.733秒 | 36.086 |
LCM w/ T-GATE | 7.623万亿 | 4.62585亿 | 4.543秒 | 37.048 |
延迟在 NVIDIA 1080TI 上测试,MACs 和参数量使用 calflops 计算,FID 使用 PytorchFID 计算。
< > 在 GitHub 上更新