【新智元导读】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。
在不使用INT8量化的情况下，对于一张512x512的图片进行20次迭代，Stable Diffusion 1.4的推理延迟低于12秒。
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（Text Embedder）、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(y)，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(z|y)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（cross-attention mechanism）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图片中进行。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（Group normalization，GN）。
这种归一化技术的工作原理是将特征图（feature map）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，每个特征值图片被归一化为其所属组的组均值图片和方差图片。
研究人员在整个UNet架构中实现了群组归一化（Group normalization，GN）。
这种归一化技术的工作原理是将特征图（feature map）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，每个特征值图片被归一化为其所属组的组均值图片和方差图片。
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）。
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(z|τθ(y))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图片中应用softmax的初始实现。
虚线以下的展示的则是修正后的模块（红色部分）。
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 (Adreno 740) 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(All)：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：
https://arxiv.org/abs/2304.11267
https://www.reddit.com/r/MachineLearning/comments/12zclus/d_google_researchers_achieve_performance/
