【大语言模型】轻松本地部署Stable Diffusion_Windows

硬件要求：

配备至少8gb vram的gpu，如果你的电脑只有cpu，请看到最后。
根据部署规模，需要足够的cpu和ram。

软件要求：

python 3.7或更高版本。
支持nvidia gpu的pytorch。
hugging face的diffusers库。
hugging face的transformers库。

步骤：

1. 设置python环境

安装python并创建一个虚拟环境：

python -m venv stable-env
source stable-env/bin/activate  # 在windows上使用 `stable-env\scripts\activate`

2. 安装依赖

安装cuda支持的pytorch：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cuda113

安装diffusers和transformers：

pip install diffusers transformers

3. 下载和加载模型

使用hugging face模型库下载stable diffusion：

from diffusers import stablediffusionpipeline
model = stablediffusionpipeline.from_pretrained("compvis/stable-diffusion-v1-4", use_auth_token="your_huggingface_token")
model.to("cuda")

4. 运行模型：

根据提示生成图像：

prompt = "a girl who is play cello at a church"
image = model(prompt)["sample"][0]
image.save("output.png")

生成的图片长这样：

如果您没有gpu，仍然可以部署并使用stable diffusion，但您需要为处理时间显著变慢做好准备，尤其是对于像图像生成这样的计算密集型任务。以下是如何在没有gpu的系统上管理和优化stable diffusion的使用方法：

当只使用cpu时，关键是要合理设定性能预期。在gpu上可能需要几秒钟的图像生成任务，在cpu上可能需要几分钟。

在cpu上运行的步骤，和gpu类似：

修改您的设置以确保它在cpu上运行，通过在代码中明确指定设备。例如，如果您使用的是diffusers库，可以按以下方式调整您的管道设置：

from diffusers import stablediffusionpipeline

# 加载模型，设置设备为cpu
model = stablediffusionpipeline.from_pretrained("compvis/stable-diffusion-v1-4", use_auth_token=true)
model.to("cpu")

大家有任何问题可以在留言区讨论。