Heim Technologie-Peripheriegeräte KI Setzen Sie das Stable Diffusion-Modell in das iPhone ein und verwandeln Sie es in eine APP, um Bilder in einer Minute zu erstellen

Setzen Sie das Stable Diffusion-Modell in das iPhone ein und verwandeln Sie es in eine APP, um Bilder in einer Minute zu erstellen

Apr 13, 2023 pm 05:07 PM
app 模型

Ist es schwierig, Stable Diffusion auf dem iPhone auszuführen? In dem Artikel, den wir heute vorstellen, gibt der Autor die Antwort: Es ist nicht schwierig und das iPhone hat immer noch 50 % Leistung übrig.

Wie wir alle wissen, bringt Apple jedes Jahr ein neues iPhone auf den Markt, das angeblich in jeder Hinsicht schneller und besser ist, was vor allem auf die rasante Entwicklung neuer visueller Modelle und Bildsensoren zurückzuführen ist. Nehmen Sie die Fotografie als Beispiel: Können Sie mit einem iPhone qualitativ hochwertige Bilder aufnehmen? der Handyfotografie.

Aufgrund dieses (fortschreitenden) Entwicklungsmusters der Technologie wird es eine Zeit geben, in der einige Programme selbst auf den besten Computergeräten nahezu unbrauchbar werden. Aber diese neuen Programme mit neu aktivierten Szenarien erregten die Aufmerksamkeit einiger Benutzer und die Leute waren bereit, sie zu studieren.

Der Autor dieses Artikels ist einer von ihnen. In den letzten 3 Wochen hat der Autor eine Anwendung entwickelt, die durch Stable Diffusion Bilder generieren (abrufen) und diese dann nach Ihren Wünschen bearbeiten kann. Die App benötigt nur eine Minute, um Bilder auf dem neuesten iPhone 14 Pro zu generieren, wobei sie etwa 2 GB App-Speicher benötigt. Außerdem müssen etwa 2 GB anfänglicher Daten heruntergeladen werden, um loszulegen.

App-Store-Link: https://apps.apple.com/us/app/draw-things-ai-generation/id6444050820

Dieses Ergebnis hat viele Internetnutzer zum Diskutieren angeregt, und einige Leute haben damit begonnen Sie machen sich Sorgen über das Problem mit dem Batterieverbrauch ihres Mobiltelefons und sagten scherzhaft: „Das ist cool, aber das scheint eine gute Möglichkeit zu sein, den Akku des Telefons zu entladen.“

Setzen Sie das Stable Diffusion-Modell in das iPhone ein und verwandeln Sie es in eine APP, um Bilder in einer Minute zu erstellen

„Ich war noch nie so glücklich, die Wärme meines iPhones zu spüren wie jetzt.“

„In diesem kalten Winter können Sie Ihr Telefon als Handwärmer verwenden.“

Aber alle machen sich über die Hitze des Telefons lustig. Gleichzeitig haben sie dieser Arbeit auch eine sehr hohe Bewertung gegeben.

„Das ist unglaublich. Es dauert etwa 45 Sekunden, um ein vollständiges Bild auf meinem iPhone SE3 zu erstellen – das ist fast so schnell wie die Originalversion auf meinem M1 Pro MacBook!“

Setzen Sie das Stable Diffusion-Modell in das iPhone ein und verwandeln Sie es in eine APP, um Bilder in einer Minute zu erstellenSpeicher- und Hardwareoptimierung bei gleichzeitig

Wie geht das? Schauen wir uns als Nächstes den Implementierungsprozess des Autors an:

Wenn Sie Stable Diffusion vollständig auf dem iPhone ausführen und trotzdem 50 % der Leistung einsparen möchten, besteht eine große Herausforderung darin, das Programm auf einem iPhone-Gerät mit 6 GB auszuführen RAM. 6GiB klingt nach viel, aber wenn Sie mehr als 2,8GiB auf einem 6GiB-Gerät oder 2GiB auf einem 4GiB-Gerät verwenden, beendet iOS Ihre App.

Wie viel Speicher benötigt das Stable Diffusion-Modell für die Inferenz?

Das beginnt auch beim Aufbau des Modells. Normalerweise besteht das Stable Diffusion-Modell aus 4 Teilen: 1. Text-Encoder, der Textmerkmalsvektoren generiert, um die Bilderzeugung zu steuern; 3. Optionaler Bild-Encoder, der Bilder in den latenten Raum codiert (für die Bild-zu-Bild-Generierung); , der die latente Darstellung des Bildes langsam vom Rauschen entrauscht; 4. Bilddecoder, der das Bild von der latenten Darstellung dekodiert.

Das 1., 2. und 4. Modul werden während der Inferenz einmal ausgeführt und erfordern maximal etwa 1 GB. Das Denoiser-Modell benötigt etwa 3,2 GB (voller Gleitkommawert) und muss mehrmals ausgeführt werden, sodass der Autor das Modul länger im RAM belassen möchte.

Das ursprüngliche Stable Diffusion-Modell benötigte fast 10 GB, um eine Einzelbildinferenz durchzuführen. Zwischen einer einzelnen Eingabe (2x4x64x64) und einer Ausgabe (2x4x64x64) sind viele Ausgabeschichten eingestreut. Nicht alle Layer-Ausgaben können sofort wiederverwendet werden, einige von ihnen müssen einige Parameter für die spätere Verwendung beibehalten (Restnetzwerke).

Seit einiger Zeit optimieren Forscher die Stable Diffusion von PyTorch. Sie haben temporären Speicherplatz für die von PyTorch verwendeten NVIDIA CUDNN- und CUBLAS-Bibliotheken reserviert, damit das Stable Diffusion-Modell mit Karten ausgeführt werden kann niedrig wie 4GiB.

Aber es hat die Erwartungen des Autors dennoch übertroffen. Daher begann der Autor, sich auf Apple-Hardware und -Optimierung zu konzentrieren.

Zuerst dachte der Autor über 3,2 GB oder 1,6 GB halbe Gleitkommazahl nach, wenn er Apples OOM (Out of Memory) nicht auslösen wollte, was bedeutet, dass der von der App belegte Speicher die Obergrenze des belegten Speichers erreicht Durch eine einzelne App durch das iOS-System würde es zu System Force Kill kommen), stehen dem Autor etwa 500 MB Speicherplatz zur Verfügung.

Die erste Frage: Wie groß ist die jeweilige Zwischenausgabe?

Es stellt sich heraus, dass die meisten von ihnen relativ klein sind, jeweils unter 6 MB (2 x 320 x 64 x 64). Das vom Autor verwendete Framework (s4nnc) kann sie zur Wiederverwendung sinnvoll in weniger als 50 MB packen.

Es ist erwähnenswert, dass der Denoiser über einen Selbstaufmerksamkeitsmechanismus verfügt, der seine eigene latente Darstellung des Bildes als Eingabe verwendet. Während der Selbstaufmerksamkeitsberechnung gibt es eine Batch-Matrix der Größe 16x4096x4096, die nach der Anwendung von Softmax in FP16 etwa 500 MB groß ist und „inplace“ durchgeführt werden kann, was bedeutet, dass ihre Eingabe sicher neu geschrieben werden kann, ohne dass sie beschädigt wird. Glücklicherweise bieten sowohl Apple- als auch NVIDIA-Low-Level-Bibliotheken direkte Softmax-Implementierungen, während High-Level-Bibliotheken wie PyTorch dies nicht tun.

Kann das also wirklich mit etwa 550 MB + 1,6 GB Speicher bewerkstelligt werden?

Auf Apple-Hardware ist die Verwendung des MPSGraph-Frameworks eine gängige Option zur Implementierung von Backends für neuronale Netzwerke. Daher versuchte der Autor zunächst, MPSGraph zur Implementierung aller neuronalen Netzwerkoperationen zu verwenden. Die maximale Speichernutzung bei FP16-Präzision beträgt etwa 6 GB, was offensichtlich viel mehr ist als die erwartete Speichernutzung. Was ist los?

Der Autor hat die Gründe im Detail analysiert. Erstens hat er MPSGraph nicht auf die übliche TensorFlow-Art verwendet. MPSGraph erfordert die Codierung des gesamten Rechendiagramms, die anschließende Nutzung von Eingabe-/Ausgabetensoren, die Handhabung interner Zuweisungen und die Möglichkeit, dass der Benutzer das gesamte Diagramm zur Ausführung übermittelt.

Die Art und Weise, wie der Autor MPSGraph verwendet, ist PyTorch sehr ähnlich – als Operationsausführungs-Engine. Um Inferenzaufgaben auszuführen, werden viele kompilierte MPSGraphExecutables in der Metal-Befehlswarteschlange ausgeführt, von denen jede einen zugewiesenen Zwischenspeicher enthalten kann. Wenn alle diese Befehle auf einmal übermittelt werden, behalten sie den zugewiesenen Speicher, bis sie die Ausführung abschließen.

Eine einfache Möglichkeit, dieses Problem zu lösen, besteht darin, die Übermittlungsgeschwindigkeit anzupassen. Es ist nicht erforderlich, alle Befehle auf einmal zu übermitteln. Tatsächlich gibt es bei Metal ein Limit von 64 gleichzeitigen Einreichungen pro Warteschlange. Der Autor hat versucht, auf die gleichzeitige Übermittlung von 8 Vorgängen umzusteigen, und der Spitzenspeicher wurde auf 4 GB reduziert.

Allerdings sind das immer noch 2 GiB mehr, als das iPhone verarbeiten kann.

Um die Selbstaufmerksamkeit mit CUDA zu berechnen, gibt es in der ursprünglichen Stable Diffusion-Codeimplementierung einen gängigen Trick: Verwenden Sie Verschiebung statt Transponierung. Dieser Trick funktioniert, weil CUBLAS permutierte Strided-Tensoren direkt verarbeiten kann, sodass kein dedizierter Speicher zum Transponieren des Tensors verwendet werden muss.

Aber MPSGraph bietet keine Strided-Tensor-Unterstützung, ein permutierter Tensor wird ohnehin intern transponiert, was eine Zwischenspeicherzuweisung erfordert. Durch die explizite Transponierung werden Zuweisungen von übergeordneten Ebenen abgewickelt, wodurch MPSGraph-interne Ineffizienzen vermieden werden. Mit diesem Trick liegt die Speichernutzung bei nahezu 3 GB.

Es stellt sich heraus, dass MPSGraph ab iOS 16.0 keine optimalen Allokationsentscheidungen für Softmax mehr treffen kann. Auch wenn sowohl der Eingabe- als auch der Ausgabetensor auf dieselben Daten verweisen, weist MPSGraph einen zusätzlichen Ausgabetensor zu und kopiert das Ergebnis dann an die Stelle, auf die verwiesen wird.

Der Autor stellte fest, dass die Verwendung der Metal Performance Shaders-Alternative genau das Richtige war und die Speichernutzung ohne Leistungseinbußen auf 2,5 GB reduzierte.

Andererseits erfordert der GEMM-Kernel von MPSGraph eine interne Transposition. Explizite Transponierungen helfen hier auch nicht weiter, da es sich bei diesen Transponierungen nicht um „Inplace“-Operationen höherer Ebenen handelt und diese zusätzliche Zuweisung für einen bestimmten Tensor mit einer Größe von 500 MB unvermeidbar ist. Durch den Wechsel zu Metal Performance Shaders gewannen die Projektautoren weitere 500 MB mit einer Leistungseinbuße von etwa 1 % zurück, wodurch die Speichernutzung letztendlich auf die idealen 2 GB reduziert wurde.

Das obige ist der detaillierte Inhalt vonSetzen Sie das Stable Diffusion-Modell in das iPhone ein und verwandeln Sie es in eine APP, um Bilder in einer Minute zu erstellen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Das weltweit leistungsstärkste Open-Source-MoE-Modell ist da, mit chinesischen Fähigkeiten, die mit GPT-4 vergleichbar sind, und der Preis beträgt nur fast ein Prozent von GPT-4-Turbo Das weltweit leistungsstärkste Open-Source-MoE-Modell ist da, mit chinesischen Fähigkeiten, die mit GPT-4 vergleichbar sind, und der Preis beträgt nur fast ein Prozent von GPT-4-Turbo May 07, 2024 pm 04:13 PM

Stellen Sie sich ein Modell der künstlichen Intelligenz vor, das nicht nur die Fähigkeit besitzt, die traditionelle Datenverarbeitung zu übertreffen, sondern auch eine effizientere Leistung zu geringeren Kosten erzielt. Dies ist keine Science-Fiction, DeepSeek-V2[1], das weltweit leistungsstärkste Open-Source-MoE-Modell, ist da. DeepSeek-V2 ist ein leistungsstarkes MoE-Sprachmodell (Mix of Experts) mit den Merkmalen eines wirtschaftlichen Trainings und einer effizienten Inferenz. Es besteht aus 236B Parametern, von denen 21B zur Aktivierung jedes Markers verwendet werden. Im Vergleich zu DeepSeek67B bietet DeepSeek-V2 eine stärkere Leistung, spart gleichzeitig 42,5 % der Trainingskosten, reduziert den KV-Cache um 93,3 % und erhöht den maximalen Generierungsdurchsatz auf das 5,76-fache. DeepSeek ist ein Unternehmen, das sich mit allgemeiner künstlicher Intelligenz beschäftigt

Hallo, elektrischer Atlas! Der Boston Dynamics-Roboter erwacht wieder zum Leben, seltsame 180-Grad-Bewegungen machen Musk Angst Hallo, elektrischer Atlas! Der Boston Dynamics-Roboter erwacht wieder zum Leben, seltsame 180-Grad-Bewegungen machen Musk Angst Apr 18, 2024 pm 07:58 PM

Boston Dynamics Atlas tritt offiziell in die Ära der Elektroroboter ein! Gestern hat sich der hydraulische Atlas einfach „unter Tränen“ von der Bühne der Geschichte zurückgezogen. Heute gab Boston Dynamics bekannt, dass der elektrische Atlas im Einsatz ist. Es scheint, dass Boston Dynamics im Bereich kommerzieller humanoider Roboter entschlossen ist, mit Tesla zu konkurrieren. Nach der Veröffentlichung des neuen Videos wurde es innerhalb von nur zehn Stunden bereits von mehr als einer Million Menschen angesehen. Die alten Leute gehen und neue Rollen entstehen. Das ist eine historische Notwendigkeit. Es besteht kein Zweifel, dass dieses Jahr das explosive Jahr der humanoiden Roboter ist. Netizens kommentierten: Die Weiterentwicklung der Roboter hat dazu geführt, dass die diesjährige Eröffnungsfeier wie Menschen aussieht, und der Freiheitsgrad ist weitaus größer als der von Menschen. Aber ist das wirklich kein Horrorfilm? Zu Beginn des Videos liegt Atlas ruhig auf dem Boden, scheinbar auf dem Rücken. Was folgt, ist atemberaubend

KAN, das MLP ersetzt, wurde durch Open-Source-Projekte auf Faltung erweitert KAN, das MLP ersetzt, wurde durch Open-Source-Projekte auf Faltung erweitert Jun 01, 2024 pm 10:03 PM

Anfang dieses Monats schlugen Forscher des MIT und anderer Institutionen eine vielversprechende Alternative zu MLP vor – KAN. KAN übertrifft MLP in Bezug auf Genauigkeit und Interpretierbarkeit. Und es kann MLP, das mit einer größeren Anzahl von Parametern ausgeführt wird, mit einer sehr kleinen Anzahl von Parametern übertreffen. Beispielsweise gaben die Autoren an, dass sie KAN nutzten, um die Ergebnisse von DeepMind mit einem kleineren Netzwerk und einem höheren Automatisierungsgrad zu reproduzieren. Konkret verfügt DeepMinds MLP über etwa 300.000 Parameter, während KAN nur etwa 200 Parameter hat. KAN hat eine starke mathematische Grundlage wie MLP und basiert auf dem universellen Approximationssatz, während KAN auf dem Kolmogorov-Arnold-Darstellungssatz basiert. Wie in der folgenden Abbildung gezeigt, hat KAN

KI untergräbt die mathematische Forschung! Der Gewinner der Fields-Medaille und der chinesisch-amerikanische Mathematiker führten 11 hochrangige Arbeiten an | Gefällt mir bei Terence Tao KI untergräbt die mathematische Forschung! Der Gewinner der Fields-Medaille und der chinesisch-amerikanische Mathematiker führten 11 hochrangige Arbeiten an | Gefällt mir bei Terence Tao Apr 09, 2024 am 11:52 AM

KI verändert tatsächlich die Mathematik. Vor kurzem hat Tao Zhexuan, der diesem Thema große Aufmerksamkeit gewidmet hat, die neueste Ausgabe des „Bulletin of the American Mathematical Society“ (Bulletin der American Mathematical Society) weitergeleitet. Zum Thema „Werden Maschinen die Mathematik verändern?“ äußerten viele Mathematiker ihre Meinung. Der gesamte Prozess war voller Funken, knallhart und aufregend. Der Autor verfügt über eine starke Besetzung, darunter der Fields-Medaillengewinner Akshay Venkatesh, der chinesische Mathematiker Zheng Lejun, der NYU-Informatiker Ernest Davis und viele andere bekannte Wissenschaftler der Branche. Die Welt der KI hat sich dramatisch verändert. Viele dieser Artikel wurden vor einem Jahr eingereicht.

Google ist begeistert: JAX-Leistung übertrifft Pytorch und TensorFlow! Es könnte die schnellste Wahl für das GPU-Inferenztraining werden Google ist begeistert: JAX-Leistung übertrifft Pytorch und TensorFlow! Es könnte die schnellste Wahl für das GPU-Inferenztraining werden Apr 01, 2024 pm 07:46 PM

Die von Google geförderte Leistung von JAX hat in jüngsten Benchmark-Tests die von Pytorch und TensorFlow übertroffen und belegt bei 7 Indikatoren den ersten Platz. Und der Test wurde nicht auf der TPU mit der besten JAX-Leistung durchgeführt. Obwohl unter Entwicklern Pytorch immer noch beliebter ist als Tensorflow. Aber in Zukunft werden möglicherweise mehr große Modelle auf Basis der JAX-Plattform trainiert und ausgeführt. Modelle Kürzlich hat das Keras-Team drei Backends (TensorFlow, JAX, PyTorch) mit der nativen PyTorch-Implementierung und Keras2 mit TensorFlow verglichen. Zunächst wählen sie eine Reihe von Mainstream-Inhalten aus

Schritte und Vorsichtsmaßnahmen für die Registrierung einer Apple-ID in Hongkong (genießen Sie die einzigartigen Vorteile des Apple Store in Hongkong) Schritte und Vorsichtsmaßnahmen für die Registrierung einer Apple-ID in Hongkong (genießen Sie die einzigartigen Vorteile des Apple Store in Hongkong) Sep 02, 2024 pm 03:47 PM

Die Produkte und Dienstleistungen von Apple waren schon immer bei Nutzern auf der ganzen Welt beliebt. Die Registrierung einer Hongkong-Apple-ID bietet Benutzern mehr Komfort und Privilegien. Werfen wir einen Blick auf die Schritte zur Registrierung einer Hongkong-Apple-ID und worauf Sie achten müssen. So registrieren Sie eine Apple-ID für Hongkong. Wenn Sie Apple-Geräte verwenden, ist für die Anmeldung bei vielen Anwendungen und Funktionen die Verwendung einer Apple-ID erforderlich. Wenn Sie Anwendungen aus Hongkong herunterladen oder die bevorzugten Inhalte des Hong Kong AppStore genießen möchten, ist es unbedingt erforderlich, eine Hong Kong Apple ID zu registrieren. In diesem Artikel erfahren Sie, wie Sie eine Apple-ID für Hongkong registrieren und worauf Sie achten müssen. Schritte: Sprache und Region auswählen: Suchen Sie auf Ihrem Apple-Gerät die Option „Einstellungen“ und geben Sie ein

Tesla-Roboter arbeiten in Fabriken, Musk: Der Freiheitsgrad der Hände wird dieses Jahr 22 erreichen! Tesla-Roboter arbeiten in Fabriken, Musk: Der Freiheitsgrad der Hände wird dieses Jahr 22 erreichen! May 06, 2024 pm 04:13 PM

Das neueste Video von Teslas Roboter Optimus ist veröffentlicht und er kann bereits in der Fabrik arbeiten. Bei normaler Geschwindigkeit sortiert es Batterien (Teslas 4680-Batterien) so: Der Beamte hat auch veröffentlicht, wie es bei 20-facher Geschwindigkeit aussieht – auf einer kleinen „Workstation“, pflücken und pflücken und pflücken: Dieses Mal wird es freigegeben. Eines der Highlights Der Vorteil des Videos besteht darin, dass Optimus diese Arbeit in der Fabrik völlig autonom und ohne menschliches Eingreifen während des gesamten Prozesses erledigt. Und aus Sicht von Optimus kann es auch die krumme Batterie aufnehmen und platzieren, wobei der Schwerpunkt auf der automatischen Fehlerkorrektur liegt: In Bezug auf die Hand von Optimus gab der NVIDIA-Wissenschaftler Jim Fan eine hohe Bewertung ab: Die Hand von Optimus ist der fünffingrige Roboter der Welt am geschicktesten. Seine Hände sind nicht nur taktil

FisheyeDetNet: der erste Zielerkennungsalgorithmus basierend auf einer Fischaugenkamera FisheyeDetNet: der erste Zielerkennungsalgorithmus basierend auf einer Fischaugenkamera Apr 26, 2024 am 11:37 AM

Die Zielerkennung ist ein relativ ausgereiftes Problem in autonomen Fahrsystemen, wobei die Fußgängererkennung einer der ersten Algorithmen ist, die eingesetzt werden. In den meisten Arbeiten wurde eine sehr umfassende Recherche durchgeführt. Die Entfernungswahrnehmung mithilfe von Fischaugenkameras für die Rundumsicht ist jedoch relativ wenig untersucht. Aufgrund der großen radialen Verzerrung ist es schwierig, die standardmäßige Bounding-Box-Darstellung in Fischaugenkameras zu implementieren. Um die obige Beschreibung zu vereinfachen, untersuchen wir erweiterte Begrenzungsrahmen-, Ellipsen- und allgemeine Polygondesigns in Polar-/Winkeldarstellungen und definieren eine mIOU-Metrik für die Instanzsegmentierung, um diese Darstellungen zu analysieren. Das vorgeschlagene Modell „fisheyeDetNet“ mit polygonaler Form übertrifft andere Modelle und erreicht gleichzeitig 49,5 % mAP auf dem Valeo-Fisheye-Kameradatensatz für autonomes Fahren

See all articles