文章目录

• • 1. 模型概述
  • 2. 模型架构
  • 3. 模型迁移流程
  • • 3.1 前置准备
    • 3.2 CLIP text encoder
    • 3.3 VQ-VAE (fp16)
    • 3.4 Text conditioned unet
    • 3.5 创建pipeline
    • 3.6 web demo部署
  • 4. 效果展示
  • 5. 相关链接

此实验需要最新的sdk实现模型的迁移，最终在1684X上进行推理。

代码地址为：
http://219.142.246.77:65000/sharing/sgZNjWcYK

1. 模型概述

Stable Diffusion 是一个文本生成图像的模型，它是基于 Diffusion 模型的一个变体，Diffusion 模型是一个基于随机游走的生成模型，它可以生成高质量的图像。Stable Diffusion 模型在 Diffusion 模型的基础上，通过引入稳定性约束，使得生成的图像更加稳定，更加逼近真实图像。

2. 模型架构

Stable Diffusion 模型的架构如下图所示：

模型由3部分组成：

1. CLIP text encoder: 处理文本的输入，得到语义特征
2. Text conditioned unet: 通过逆扩散过程，得到图像的特征
3. VQ-VAE ： 通过Auto-Encoder的方式，得到图像的重构以及图像的latent space vector

3. 模型迁移流程

3.1 前置准备

1. 安装必要的库 pip install diffusers==0.2.4 transformers scipy ftfy

from diffusers import StableDiffusionPipeline

# get your token at https://huggingface.co/settings/tokens
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4", use_auth_token=YOUR_TOKEN)

prompt = "a photograph of an astronaut riding a horse" #输入文本
image = pipe(prompt)["sample"][0] #得到生成的图片

由此可以从huggingface下载预训练模型

原始仓库提供了多个版本

下载的模型会在.cache里面

stable diffusion 模型由4个模型构成，需要迁移4个模型：

3.2 CLIP text encoder

可以直接使用官网上的onnx模型进行推理：

直接迁移 CLIP 中的 TextEncoder 模型。
需要注意的是： TextEncoder 模型的输入是一个文本token序列，token是从0开始的整数，对应在设置模型的描述时添加数据类型的声明。

转换脚本是：

python3 -m bmneto --model=./text_encoder.onnx \
                  --outdir="./" \
                  --target="BM1684" \
                  --shapes="1,77" \
                  --opt=1 \
                  --cmp=false \
                  --net_name="text_encoder" \
                  --descs="[0,int64,0,49409]"

3.3 VQ-VAE (fp16)

VAE decoder onnx 无法使用bmneto转换, 因此本次采用的是 PyTorch 的方式：

import torch
from diffusers import StableDiffusionPipeline

pipe = StableDiffusionPipeline.from_pretrained("/mnt/sdb/wangyang.zuo/.cache/huggingface/diffusers/CompVis--stable-diffusion-v1-4.main.7c3034b58f838791fc1c581d435c452ea80af274")

def fn(input_tensor): # 构造输入函数 
    with torch.no_grad():
        return pipe.vae.decode(input_tensor)
    
jitmodel = torch.jit.trace(fn, torch.rand(1,4,64,64))
jitmodel.save("vae_decoder.pt")

转换命令

export BMCOMPILER_LAYER_DTYPE_MODE=auto
export GLOG_v=4
export BMCOMPILER_STAT_ERR=1

python3 -m bmnetp   --model=./vae_decoder.pt \
                    --outdir="./" \
                    --target="BM1684" \
                    --shapes="1,4,64,64" \
                    --net_name="vae_decoder" \
                    --opt=2 \
                    --cmp=false 

encoder 也可以采用类似的方式进行转换。

3.4 Text conditioned unet

这个模型较大，得到的jit模型有3.4G，首先需要注意的是，模型是多输入，其输入顺序如源码所示：

通过构造输入，得到jit模型， 其中各个输入信息如下：

timestep 1
latent_model_input.shape
(2, 4, 64, 64)
text_embeddings.shape
(2, 77, 768)

通过调试可以指导timestep的初始值为999， 因此timestep 为 torch.tensor(999).

查看源码可以看到，

继续查看源码，发现只有这一处出现了boardcast_to算子， 而且是在网络前半部分出现的，只于timestamp有关，其作用时将timestemp的维度改为输入的batch维度. 因此，此算子可以抽离出来，将其转化为预处理， 因此修改源码为：

另外U-Net模型的输出是一个dict，我们将其修改为输出tensor

通过trace得到jit模型，转换命令如下：

export BMCOMPILER_LAYER_DTYPE_MODE=auto
export GLOG_v=4
export BMCOMPILER_STAT_ERR=1

import bmnetp
## compile fp32 model
bmnetp.compile(
  model = "./unet/unet_jit_remove_pickle_error.pt",        ## Necessary
  outdir = "./compilation5",                 ## Necessary
  target = "BM1684X",              ## Necessary
  shapes = [[2,4,64,64], [2], [2,77,768]],  ## Necessary
  net_name = "unet2",              ## Necessary
  opt = 0,                        
  dyn = False,                    
  cmp = True,                     ## optional, if not set, default equal to True
  enable_profile = False,           ## optional, if not set, default equal to False
  desc="[1,int64,0,100]", # 额外添加的参数  
)

3.5 创建pipeline

使用 sophon sail 加载模型创建pipeline。
通过 python3 demo_with_bmodel.py --prompt "portrait photo of a asia old warrior chief, tribal panther make up, blue on red, side profile, looking away, serious eyes, 50mm portrait photography, hard rim lighting photography–beta –ar 2:3 –beta –upbeta –upbeta, 4k" --num-inference-steps 32 进行测试。

可以得到如下图：

注意生成的图具有随机性，需要固定seed才能得到一摸一样的图。

3.6 web demo部署

运行 streamlit run demo_web.py 启动web服务，通过浏览器访问 http://localhost:8501 可以看到如下界面：

通过在输入框中输入文本描述，可以得到相应的图像，由于生成的图具有随机性，可能需要多次尝试才能得到一个比较好的结果。模型推理时间与输入文本长度无关，与 num_inference_steps 有关，其值越大，生成的图像越清晰，但是推理时间也越长。 注意根据diffusion原理，num_inference_steps不应太小，建议最少大于10.

4. 效果展示

5. 相关链接

样例开源仓库：https://github.com/sophon-ai-algo/examples

BM1684 BMNNSDK文档：https://developer.sophgo.com/site/index/document/6/all.html

编译工具用户开发手册： https://doc.sophgo.com/docs/2.7.0/docs_latest_release/nntc/html/index.html

量化工具用户开发手册：https://doc.sophgo.com/docs/2.7.0/docs_latest_release/calibration-tools/html/index.html

算能量化工具介绍及使用说明：https://www.bilibili.com/video/BV1DA4y1S75p?spm_id_from=333.999.0

官网视频教程：https://developer.sophgo.com/site/index/course/all/all.html

官网文档中心：https://developer.sophgo.com/site/index/document/all/all.html

官网下载中心：https://developer.sophgo.com/site/index/material/all/all.html

官网论坛：https://developer.sophgo.com/forum/view/43.html