只需12秒，只憑手機自己的算力，就能拿Stable Diffusion生成一張圖像。

而且是完成了20次迭代的那種。

要知道，現(xiàn)在的擴散模型基本都超過了10億參數(shù)，想要快速生成一張圖片，要么基于云計算，要么就是要本地硬件夠強大了。

而隨著大模型應用逐漸普及開來，在個人電腦、手機上跑大模型很可能是未來的新趨勢。

由此，谷歌的研究員們帶來了這篇新成果，名字就叫Speed is all you need：通過GPU優(yōu)化加速大規(guī)模擴散模型在設備上的推理速度。

三步走優(yōu)化加速

該方法是針對Stable Diffusion來做的優(yōu)化，但同時也能適應其他擴散模型。面向的任務是從文本生成圖像。

具體優(yōu)化可以分成三個部分：

• 設計專門的內核
• 提升Attention模型效率
• Winograd卷積加速

首先來看專門設計的內核，它包括了組歸一化和GELU激活函數(shù)。

組歸一化是在整個UNet體系結構中實現(xiàn)，這種歸一化的工作原理是將特征映射的通道劃分為更小的組，并對每個組獨立歸一，使組歸一化較少依賴于批大小，并且能適應更大范圍的批處理大小和網(wǎng)絡架構。

研究人員以GPU著色器（shader）的形式設計了一個獨特的核，能在沒有任何中間張量的情況下，在單個GPU命令中執(zhí)行所有內核。

GELU激活函數(shù)中，包含大量的數(shù)值計算，如懲罰、高斯誤差函數(shù)等。

通過一個專用著色器來整合這些數(shù)值計算以及伴隨的分割和乘法操作，使得這些計算能放在一個簡單的draw call里。

Draw call是CPU調用圖像編程接口，命令GPU進行渲染的操作。

接下來，到了提升Attention模型效率方面，論文介紹了兩種優(yōu)化方法。

其一是部分融合softmax函數(shù)。

為了避免在大矩陣A上執(zhí)行整個softmax計算，該研究設計了一個GPU著色器來計算L和S向量以減少計算，最終得到一個大小為N×2的張量。然后將softmax計算和矩陣V的矩陣乘法融合。

這種方法大幅減少了中間程序的內存占用張量和總體延遲。

需要強調的是從A到L、S的計算映射的并行是有限的，因為結果張量中的元素比輸入張量A中的元素數(shù)量要少得多。

為了增加并行、進一步降低延遲，該研究將A中的元素組成block，將歸約操作（reduction operations）切分為多個部分進行。

然后在每個block上執(zhí)行計算，然后將其簡化為最終結果。

利用精心設計的線程和內存緩存管理，可以在多個部分實現(xiàn)使用單個GPU命令降低延遲。

另一種優(yōu)化方法是FlashAttention。

這是去年火起來的IO感知精確注意力算法，具體有兩種加速技術：按塊遞增計算即平鋪、并在后向傳遞中重新計算注意力，將所有注意力操作融合到CUDA內核中。

相較于標準Attention，這種方法能減少HBM（高帶寬內存）訪問，提高整體效率。

不過FlashAttention內核的緩存器密集度非常高（register-intensive），所以該團隊是有選擇性地使用這一優(yōu)化方法。

他們在注意力矩陣d=40的Adreno GPU和Apple GPU上使用FlashAttention，其他情況下使用部分融合softmax函數(shù)。

第三部分是Winograd卷積加速。

它的原理簡單來說就是使用更多的加法計算來減少乘法計算，從而降低計算量。

但弊端也很明顯，將會帶來更多的顯存消耗和數(shù)值錯誤，尤其是在tile比較大的情況時。

Stable Diffusion的主干非常依賴3×3卷積層，尤其是在圖像解碼器方面，這里90%的層都是由3×3卷積層構成的。

研究人員分析后發(fā)現(xiàn)，在使用4×4大小的tile時，是模型計算效率和顯存利用率的最佳平衡點。

實驗結果

為了評估提升效果，研究人員先在手機上進行了基準測試。

結果表明，兩部手機在使用了加速算法后，生成圖片的速度都明顯提升。

其中三星S23 Ultra的延遲降低了52.2%，iPhone 14 Pro Max上的延遲降低了32.9%。

在三星S23 Ultra上端到端從文本生成一張512×512像素的圖片，迭代20次，耗時在12秒以內。

論文地址：https://arxiv.org/abs/2304.11267