stable diffusion硬件要求_stable diffusion配置要求

硬件要求#

内存#

建议使用不少于 16 GB 内存。在一些情况下，可能需要调高虚拟内存，以容纳模型文件。

存储#

建议准备 40 GB 以上的可用硬盘空间。

显卡#

WARNING

注意显卡温度，有报道称显卡太热炸了。

显卡型号#

首先，很不幸地，因为需要用到 CUDA 加速，所以只有 英伟达显卡 支持良好。（AMD 可以用但速度明显慢于英伟达显卡，当然没显卡也可以用 CPU 花几百倍时间生成）

对于 Linux 系统 + AMD 显卡 请读 AMD 安装指南 和 AMD 安装 WebUI 指北

对于支持 AMD GPU 方案相关讨论

显卡保修

显卡厂家对于深度学习卡的保修政策等同于矿卡

过度玩耍(比如连续 3 天出图)，显卡会有坏掉的风险

各种显卡的稳定扩散性能测试报告

检查配置#

检查显卡驱动#

通过

bash

nvidia-smi

判断 CUDA 是否可用。

检查 PyTorch 是否成功载入 CUDA#

打开命令窗，输入 python 进入，分行输入

python

import torch
print(torch.__version__)
print(torch.cuda.is_available())

如果出现 True 字样则正常。

查看 torch 对应的 CUDA 版本#

python

import torch
torch.version.cuda

输入 Ctrl + Z 退出

如果出现了任何错误，请询问他人或使用搜索引擎解决。

多 GPU 支持#

最简单的模式就是实现一个多数据并行处理的方法，通过 --device-id 参数启动多个实例。每个 GPU 加载一个模型，然后给它们分配工作。

考虑到这个项目所提供的功能众多，我（作者）认为可能需要一段时间才能在并行的情况下使用所有的功能。

作者的回应

Using memory from between two GPUs is not simple. I only have one so I can't research/develop this.

16xx 系显卡使用半精度生成图片#

16xx 系显卡可以使用半精度生成图片的方式

方案来自 这个讨论

1. 激活 webui 使用的 venv，要在正确的虚拟环境里运行
2. 卸载掉现在所用的 torch 和 torchvision：

bash

pip uninstall torch torchvision

1. 重新安装 CUDA 11.6 编译的 torch 和 torchvision。

bash

pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu116

1. 下载 CUDNN_8.5 备用。

使用下载工具下载，直接下载会跳转到 NVIDIA 的开发者注册界面

Windows:

Log in | NVIDIA Developer

其他版本：

cuDNN Archive | NVIDIA Developer

1. 将 CUDNN 8.5 压缩包里的 bin 和 lib 文件夹里的所有文件复制到 venv\Lib\site-packages\torch\lib 里，覆盖所有文件。
2. 然后 16xx 系显卡也可以愉快地使用半精度生成图片了！大幅降低显存占用，6G 加载 Full 模型可以生成 1024x640 的图片。

但是，依然不能使用 DDIM Sampling ，但可以使用 Euler a

网络#

安装时涉及到的大部分内容在国内的可访问性均不佳，建议自备加速手段。