滚动手机 12 秒一键生图？谷歌最新研究做到了。
手机生图只要 12 秒？
这不是吹的，谷歌就给实现了。
最新研究中，谷歌研究人员对 4 个 GPU 分层优化，在三星手机上成功运行 Stable Diffusion 1.4。
实现了 11.5 秒生成图像，重要的是，内存使用量也大幅减少。
正所谓，Speed Is All You Need！
谷歌最新提出的方法是通用的，可以对所有扩散模型的改进，并非仅针对特定设备实现的。
通过实验结果发现，三星 S23 Ultra 和 iPhone 14 Pro 的整体图像生成时间分别减少了 52% 和 33%。
这意味着，一部手机装下一个生成式 AI 模型的未来更近了。
从 3080 到一部手机
当前，将大型扩散模型合并到任何 App 中的一个关键考虑因素是，模型将在何处执行选择。
在一个消费级设备上部署模型的好处是，较低的服务成本、改善扩展性、还可以离线，并且能改善用户隐私。
22 年，Stable Diffusion 刚刚发布的第一个版本，最初只能缓慢运行在 RTX 3080 上。
Stable Diffusion 有超过 10 亿的参数，DALL-E 是 120 亿，以后随着扩散模型的发展，参数量会逐渐增加。
由于设备计算和内存资源的限制，因此在运行时带来了诸多挑战。
在没有精心设计情况下，在设备上运行这些模型可能会导致，由于迭代去噪过程和过多的内存消耗，输出内容延迟就会增加。
此前，也有研究实现了将 Stable Diffusion 成功部署到设备上，但仅局限于特定的设备或芯片组。
对此，谷歌研究人员对大型扩散模型提供了一系列实现优化，这些模型在配备 GPU 的移动设备上实现了迄今为止报道的最快推理延迟。
具体是如何实现的呢？
GPU 感知优化
在论文中，研究人员侧重的是使用大型扩散模型，然后完成从文本描述生成图像的任务。
虽说论文中，部分讨论是研究者为 Stable Diffusion 特定结构所提出的优化建议，但这些优化可以很容易推广到其它大型扩散模型上。
研究人员表示，当用文本提示进行推理时，这个过程包含根据所需的文本描述，应用额外条件来指导反向扩散。
具体来说，Stable Diffusion 的主要组成部分包括:文本嵌入器、噪声生成(Noise Generation)、去噪神经网络(Denoising Neural Network，aka UNet)，以及图像解码器(Image Decoder)。
如下图所示:
Stable Diffusion 中主要组件及其相互作用的示意图
下面，我们分别介绍一下这几个组成部分，各部分间的关系参照图。
?文本嵌入器:
利用 CLIP 模型对文本提示 y 进行编码，生成一个高维嵌入向量 τθ，将文本提示的语义封装进去。该嵌入被当作去噪神经网络的输入，为逆向扩散的过程提供指示。
?噪声生成:
给潜在空间提供随机噪声 z，该噪声作为逆向扩散过程的起始点。
?去噪神经网络:
该网络被设计为近似 p 形式的条件分布，利用条件去噪自动编码器 θ(zt, t, τθ(y))(denoising autoencoder)。每次迭代 t 采用 UNet 架构。
同时，交叉注意机制被用来操作潜在空间和文本嵌入向量，在迭代过程中预测 z 的去噪版本。
?图像解码器:
逆行扩散过程在潜在空间
中进行。一旦这个过程完成，图像解码器 D 被用来从潜在矢量中重建 RGB 图像。
研究人员在整个 UNet 架构中实现了群组归一化。
这种归一化技术的工作原理是将特征图的 pipeline 划分为较小的组，并对每个组进行独立的归一化，使 GN 对批次大小的依赖性降低，更适合于各种大小的批次和各种网络结构。
应用公式①，每个特征值
被归一化为其所属组的组均值
和方差
研究人员并没有依次执行上述提到的重塑、平均值、方差和归一化的所有操作，而是以 GPU Shader 的形式设计了一个特别的程序，在一个 GPU 命令中执行所有这些操作，无需中间流程。
这里先介绍一下 Gaussian Error Linear Unit。
GELU 作为模型中普遍存在的激活函数，包含许多数值计算，如乘法、加法和高斯误差函数，如公式②所示。
研究人员弄了一个专门的 Shader 来整合这些数值计算及其伴随的分割和乘法操作，使其在一次绘图调用中完成执行。
稳定扩散中的文本 / 图像变换器有助于对条件分布 P ) 进行建模，这对文本到图像的生成任务至关重要。
然而，自我 / 交叉注意力机制在处理长序列时遇到了困难，因为它们的时间和内存复杂性是平过方的。在论文中，研究人员介绍了两种可能的优化，旨在缓解这些计算瓶颈。
一种是 Partially Fused Softmax，另一种是 FlashAttention。
下面仅以 Softmax 为例。
上图是在注意力模块中，优化过的 softmax 实现。
虚线以上的流程图描述的是直接在矩阵
中应用 softmax 的初始实现。
虚线以下的展示的则是修正后的模块。
总而言之，论文中研究人员提出了一整套优化方案，可以在各种设备上执行大型扩散模型时，共同达到了突破性的延迟数字。
这些改进扩大了模型的通用性，并提高了在各种设备上的整体用户体验。
12 秒，业界领先
为了评估改进后的模型，研究人员分别在三星 S23 Ultra 和 iPhone 14 Pro Max (A16) 进行了一组基准测试。
作为去噪神经网络，UNet 是计算需求最高的组件。
研究人员提供了执行单次迭代的 UNet 所需的延迟数据，以毫秒为单位测量，图像分辨率为 512x512。
此外，他们记录了运行时生成的中间张量在「Tensor」列中的内存使用情况，以及为保存模型权重分配的内存在「Weight」列中的使用情况，均以兆字节为单位。
请注意，内存管理器通过重用中间张量的缓冲区来优化内存占用。
如表中数据显示，第一行显示了在公共 Github 仓库中使用内部 OpenCL 内核实现，但没有任何优化的结果。
实现之后的结果，并且研究者在没有任何优化的情况下使用内部 OpenCL 内核。
第 2-5 行，分别逐个启用每个优化:
Opt. Softmax:部分融合的 softmax 和优化的 softmax 减少步骤
S-GN / GELU:用于组归一化和 GELU 的专用内核
FlashAttn.:FlashAttention 实现
Winograd :采用 Winograd 卷积
随着每个优化的启用，实验结果发现延迟逐步减少。
与基线相比，在两种设备上都观察到了显著的总体延迟降低:三星 S23 Ultra 降低 52.2%，iPhone 14 Pro Max 降低 32.9%。
此外，研究人员还评估了在三星 S23 Ultra 进行文本到图像输出端到端延迟。
进行了 20 次去噪迭代，生成一张 512x512 图像，实现了不到 12 秒的业界领先结果。
可见，在没有数据连接或云服务器的情况下，在手机上本地运行生成式人工智能模型，将开辟了许多可能性。
谷歌最新研究给出了一种全新方案。
参考资料:
