令牌合并

令牌合并 (ToMe) 在基于 Transformer 的网络的前向传播中逐步合并冗余令牌/补丁，这可以加快 StableDiffusionPipeline 的推理延迟。

从 pip 安装 ToMe

pip install tomesd

您可以从 tomesd 库使用 ToMe，并使用 apply_patch 函数

  from diffusers import StableDiffusionPipeline
  import torch
  import tomesd

  pipeline = StableDiffusionPipeline.from_pretrained(
        "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16, use_safetensors=True,
  ).to("cuda")
+ tomesd.apply_patch(pipeline, ratio=0.5)

  image = pipeline("a photo of an astronaut riding a horse on mars").images[0]

apply_patch 函数公开了许多参数，以帮助在管道推理速度和生成的令牌质量之间取得平衡。最重要的参数是 ratio，它控制在正向传播期间合并的令牌数量。

正如论文中所述，ToMe 可以极大地保留生成的图像的质量，同时提高推理速度。通过增加 ratio，您可以进一步加快推理速度，但代价是一些图像质量下降。

为了测试生成的图像的质量，我们从 Parti 提示中采样了一些提示，并使用 StableDiffusionPipeline 和以下设置执行了推理

我们没有注意到生成的样本质量有任何明显的下降，您可以查看此 WandB 报告中生成的样本。如果您有兴趣复制此实验，请使用此脚本。

基准测试

我们还对 StableDiffusionPipeline 与 xFormers 启用的影响进行了基准测试，并在多个图像分辨率上进行了基准测试。结果是从 A100 和 V100 GPU 在以下开发环境中获得的

- `diffusers` version: 0.15.1
- Python version: 3.8.16
- PyTorch version (GPU?): 1.13.1+cu116 (True)
- Huggingface_hub version: 0.13.2
- Transformers version: 4.27.2
- Accelerate version: 0.18.0
- xFormers version: 0.0.16
- tomesd version: 0.1.2

为了复制此基准测试，请随时使用此脚本。结果以秒为单位报告，在适用情况下，我们报告了使用 ToMe 和 ToMe + xFormers 时相对于普通管道的加速百分比。

GPU	分辨率	批次大小	普通	ToMe	ToMe + xFormers
A100	512	10	6.88	5.26 (+23.55%)	4.69 (+31.83%)
	768	10	OOM	14.71	11
		8	OOM	11.56	8.84
		4	OOM	5.98	4.66
		2	4.99	3.24 (+35.07%)	2.1 (+37.88%)
		1	3.29	2.24 (+31.91%)	2.03 (+38.3%)
	1024	10	OOM	OOM	OOM
		8	OOM	OOM	OOM
		4	OOM	12.51	9.09
		2	OOM	6.52	4.96
		1	6.4	3.61 (+43.59%)	2.81 (+56.09%)
V100	512	10	OOM	10.03	9.29
		8	OOM	8.05	7.47
		4	5.7	4.3 (+24.56%)	3.98 (+30.18%)
		2	3.14	2.43 (+22.61%)	2.27 (+27.71%)
		1	1.88	1.57 (+16.49%)	1.57 (+16.49%)
	768	10	OOM	OOM	23.67
		8	OOM	OOM	18.81
		4	OOM	11.81	9.7
		2	OOM	6.27	5.2
		1	5.43	3.38 (+37.75%)	2.82 (+48.07%)
	1024	10	OOM	OOM	OOM
		8	OOM	OOM	OOM
		4	OOM	OOM	19.35
		2	OOM	13	10.78
		1	OOM	6.66	5.54

如上表所示，tomesd 的加速对于更大的图像分辨率来说更加明显。有趣的是，使用 tomesd，可以运行更高分辨率的管道，例如 1024x1024。您可能可以使用 torch.compile 进一步加快推理速度。

< > 更新在 GitHub 上

Diffusers

令牌合并

基准测试