- शुद्ध C/C++ में इम्प्लीमेंट किया गया Stable Diffusion पर लेख, जो मशीन लर्निंग मॉडल पर केंद्रित है
ggml आधारित इम्प्लीमेंटेशन, जो llama.cpp जैसी कार्यप्रणाली रखता है- 16-bit और 32-bit float, 4-bit, 5-bit, 8-bit integer quantization का समर्थन
- मेमोरी-कुशल इम्प्लीमेंटेशन जो CPU inference के लिए अनुकूलित है;
txt2img का उपयोग करके 512x512 इमेज बनाने पर लगभग 2.3GB की आवश्यकता
- x86 architecture के लिए AVX, AVX2, AVX512 समर्थन
- मूल
txt2img और img2img मोड, तथा stable-diffusion-webui शैली tokenizer सहित इम्प्लीमेंटेशन
- उपयोग की गई sampling विधि
Euler A है
- Linux, Mac OS, Windows प्लेटफ़ॉर्म के साथ संगत इम्प्लीमेंटेशन
- भविष्य के सुधार: अधिक sampling methods, GPU support, तेज inference, कम memory usage, LoRA support,
k-quants support, cross-platform reproducibility आदि
- कोड प्राप्त करने, weights conversion, build, और इम्प्लीमेंटेशन चलाने के विस्तृत निर्देशों वाला लेख
- विभिन्न output model formats के समर्थन वाला इम्प्लीमेंटेशन, जिनमें 16-bit floating point, 32-bit floating point, और विभिन्न integer quantization शामिल हैं
txt2img और img2img मोड के लिए इम्प्लीमेंटेशन उपयोग के उदाहरणों वाला लेख- उपयोग की गई precision के अनुसार memory और disk आवश्यकताएँ बदलती हैं, लेकिन 512x512 इमेज के लिए memory आवश्यकता लगभग 2.0G से 2.8G के बीच है
ggml, stable-diffusion, stable-diffusion-webui, k-diffusion आदि कई references पर आधारित इम्प्लीमेंटेशन
अभी कोई टिप्पणी नहीं है.