共计 3132 个字符，预计需要花费 8 分钟才能阅读完成。
第一辆汽车诞生之初，时速只有 16 公里，甚至不如马车跑得快，很长一段时间，汽车难堪地像一种“很酷的玩具”。人工智能作图的呈现也是如此。
AI 作图一开始的“风格化”自身就为“玩”而生，大家广泛兴高采烈地尝试头像生成、磨皮，但很快就失去趣味。直到扩散模型的来临，才给 AI 作图带来量变，让人们看到了“AI 转成生产力”的曙光：画家、设计师不必搜索枯肠思考色调、构图，只有通知 Diffusion 模型想要什么，就能言出法随般地生成高质量图片。
然而，与汽车一样，如果扩散模型生成图片时“马力有余”，那就没法解脱玩具的标签，成为人类手中真正的生产工具。
起初，AI 作图须要几天，再缩减到几十分钟，再到几分钟，出图工夫在一直减速，问题是，到底快到什么水平，才会在业余的美术从业者甚至一般公众之间遍及开来？
显然，当初还无奈给出具体答案。即便如此，能够确定的是 AI 作图在技术和速度上的冲破，很可能曾经靠近甚至超过阈值。
其中一大标志性事件是，近期 OneFlow 首度将 Stable Diffusion 模型减速至“一秒出图 ”时代，随后 AI 社区开启一场 AI 作图的竞速“内卷”。 刚刚，OneFlow 又刷新了 SOTA 记录。
- OneFlow Stable Diffusion 应用地址https://github.com/Oneflow-In…
- OneFlow 地址：https://github.com/Oneflow-In…
1
比快更快，OneFlow 奋勇当先
11 月 7 日，OneFlow 发表将 Stable Diffusion 模型作图速度 实现了字面意义上的“一秒出图”，在各种硬件以及更多框架的比照中，OneFlow 都将 Stable Diffusion 的推理性能推向了一个全新的 SOTA。
上面的图表别离展现了此前在 A100（PCIe 40GB / SXM 80GB）硬件上，别离应用 PyTorch, TensorRT, AITemplate 和 OneFlow 四种深度学习框架或编译器，对 Stable Diffusion 进行推理时的性能体现。
在 A100 显卡上，无论是 PCIe 40GB 的配置还是 SXM 80GB 的配置，OneFlow 的性能能够在过后的最优性能之上持续晋升 15% 以上。
特地是在 SXM 80GB A100 上，OneFlow 首次让 Stable Diffusion 的推理速度达到了 50it/s 以上，首次把生成一张图片须要采样 50 轮的工夫降到 1 秒以内。
一周之后，Meta AITemplate 对 Stable Diffusion 做了一次性能降级，后果反超了 OneFlow，PyTorch 创始人 Soumith Chintala 为此打 call。
性能优化无止境，OneFlow 也在一直迭代。两周之后，OneFlow 对 Stable Diffusion 也做了进一步性能降级，并再度反超了 AITemplate 的后果，当初速度最快的还是 OneFlow。
能够看到，在 A100 显卡上，无论是 PCIe 40GB 的配置还是 SXM 80GB 的配置，OneFlow 基于此前性能后果持续晋升 10% 以上，并且仍然是当之无愧的性能之王。
而在 T4、RTX2080 上，相比于目前 SOTA 性能的 TensorRT、PyTorch，OneFlow 的推理性能也大幅当先。
2
生成图片展现
利用 OneFlow 版的 Stable Diffusion，你能够把天马行空的想法很快转化成艺术图片，譬如：
以假乱真的阳光、沙滩和椰树：
仓鼠救火员、长兔耳朵的狗子：
在火星上吃火锅：
将来异世界 AI：
集齐 OneFlow 七龙珠：
上述图片均基于 OneFlow 版 Stable Diffusion 生成。如果你一时没有好的 idea，能够在 lexica 上参考一下宽广网友的创意，不仅有生成图片还提供了对应的形容文字。
3
无缝兼容 PyTorch 生态，实现一键模型迁徙
想体验 OneFlow Stable Diffusion？只须要批改三行代码，你就能够将 HuggingFace 中的 PyTorch Stable Diffusion 模型改为 OneFlow 模型，别离是将 import torch 改为 import oneflow as torch 和将 StableDiffusionPipeline 改为 OneFlowStableDiffusionPipeline：
之所以能这么轻松迁徙模型，是因为 OneFlow Stable Diffusion 有两个杰出的个性：
OneFlowStableDiffusionPipeline.from_pretrained 可能间接应用 PyTorch 权重。
OneFlow 自身的 API 也是和 PyTorch 对齐的，因而 import oneflow as torch 之后，torch.autocast、torch.float16 等表达式齐全不须要批改。
上述个性使得 OneFlow 兼容了 PyTorch 的生态，这不仅在 OneFlow 对 Stable Diffusion 的迁徙中施展了作用，也大大减速了 OneFlow 用户迁徙其它许多模型，比方在和 torchvision 对标的 flowvision 中，许多模型只需通过在 torchvision 模型文件中退出 import oneflow as torch 即可失去。
此外，OneFlow 还提供全局“mock torch”性能，在命令行运行 eval $(oneflow-mock-torch) 就能够让接下来运行的所有 Python 脚本里的 import torch 都主动指向 oneflow。
4
应用 OneFlow 运行 Stable Diffusion
在 docker 中应用 OneFlow 运行 StableDiffusion 模型生成图片：
docker run --rm -it \
--gpus all --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 \
-v ${HF_HOME}:${HF_HOME} \
-v ${PWD}:${PWD} \
-w ${PWD} \
-e HF_HOME=${HF_HOME} \
-e HUGGING_FACE_HUB_TOKEN=${HUGGING_FACE_HUB_TOKEN} \
oneflowinc/oneflow-sd:cu112 \
python3 /demos/oneflow-t2i.py # --prompt "a photo of an astronaut riding a horse on mars"更详尽的应用办法请参考：
https://github.com/Oneflow-In…
5
后续工作
后续 OneFlow 团队将踊跃推动 OneFlow 的 diffusers（https://github.com/Oneflow-In…）和 transformers（https://github.com/Oneflow-In…）的 fork 仓库内容合并到 huggingface 上游的的对应仓库，这也是 OneFlow 首次以 transformers/diffusers 的后端的模式开发模型。
值得一提的是，在优化和减速 Stable Diffusion 模型的过程中应用了 OneFlow 自研编译器，不仅让 PyTorch 前端搭建的 Stable Diffusion 在 NVIDIA GPU 上跑得更快，而且也能够让这样的模型在国产 AI 芯片和 GPU 上跑得更快，这些将在之后的文章中揭秘技术细节。
欢送在 GitHub 上 Star、试用：
- OneFlow Stable Diffusion 地址：https://github.com/Oneflow-In…
- OneFlow 地址：https://github.com/Oneflow-In…
欢送下载体验 OneFlow v0.8.0 最新版本：https://github.com/Oneflow-In…
