DeepCache

DeepCache 通过策略性地缓存和重用高级特征，同时利用 U-Net 架构高效更新低级特征，来加速 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', 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，指定为每次缓存操作之间的步数。cache_branch_id 标识网络的哪个分支（从最浅层到最深层排序）负责执行缓存过程。 选择较低的 cache_branch_id 或较大的 cache_interval 可以加快推理速度，但会降低图像质量（这些超参数的消融实验可以在论文中找到）。一旦设置了这些参数，使用 enable 或 disable 方法来激活或停用 DeepCacheSDHelper。

您可以在 WandB 报告 中找到更多生成的样本（原始管道 vs DeepCache）和相应的推理延迟。提示是从 MS-COCO 2017 数据集中随机选择的。

基准测试

我们在 NVIDIA RTX A5000 上测试了 DeepCache 使用 50 个推理步骤加速 Stable Diffusion v2.1 的速度，使用不同的配置，包括分辨率、批处理大小、缓存间隔（I）和缓存分支(B)。