如何在AMD GPU上运行优化的Automatc1111Stable DiffusionWebUI

你知道吗？你可以在Automatic1111(Xformer)下使用Microsoft Olive启用Stable Diffusion，在Windows上通过Microsoft DirectML获得显著的加速。微软和AMD一直在合作优化AMD硬件上的Olive路径，通过微软DirectML平台API和用于DirectML的AMD用户模式驱动程序的ML（机器学习）层加速，允许用户访问AMD GPU的AI（人工智能）功能。

1.先决条件

•已安装Git（适用于Windows的Git）

•已安装Anaconda/Miniconda（适用于Windows的Miniconda）

o确保Anaconda/Miniconda目录已添加到PATH

•具有AMD图形处理单元（GPU）的平台

o驱动程序：AMD软件：Adrenalin版 23.7.2或更新版本(https://www.amd.com/en/support)

2. Microsoft Olive概述

Microsoft Olive是一个Python工具，可用于转换、优化、量化和自动调整模型，以通过DirectML等ONNX Runtime执行提供程序获得最佳推理性能。Olive通过提供单一的工具链来组合优化技术，极大地简化了模型处理，这对于像Stable Diffusion这样对优化技术排序敏感的更复杂的模型尤其重要。Stable Diffusion的DirectML示例应用以下技术：

•模型转换:将基本模型从PyTorch转换为ONNX。

•Transformer图优化:融合子图到多头注意力算子和消除转换效率低下。

•量化:将大多数层从FP32转换为FP16，以减少模型的GPU内存占用并提高性能。

综上所述，上述优化使DirectML能够利用AMD GPU，在使用Stable Diffusion等Transformer模型执行推理时，大大提高性能。

3.使用Microsoft Olive生成优化的Stable Diffusion模型

创建优化模型

（按照Olive的指示，我们可以使用Olive生成优化的Stable Diffusion模型）

1.打开Anaconda/Miniconda终端

2.通过在终端中依次输入以下命令，然后按enter键，创建一个新环境。需要注意的是，Python 3.9是必需的。

conda create --name olive python=3.9

conda activate olive

pip install olive-ai[directml]==0.2.1

git clone https://github.com/microsoft/olive --branch v0.2.1

cd olive\examples\directml\stable_diffusion

pip install -r requirements.txt

pip install pydantic==1.10.12

3.生成ONNX模型并在运行时对其进行优化。这可能需要很长时间。

python stable_diffusion.py --optimize

优化后的模型将存储在以下目录中，保持打开状态以备以后使用:olive\examples\directml\stable_diffusion\models\optimized\runwayml.模型文件夹命名为“stable-diffusion-v1-5”。使用以下命令查看支持的其他模型:python stable_diffusion.py –help

测试优化后的模型

1.测试优化后的模型，执行如下命令:

python stable_diffusion.py --interactive --num_images 2