可复现性

Diffusion 是一个随机过程，每次都会生成不同的输出。对于测试和复现结果等用例，你希望在一定的容差范围内，跨版本和平台每次都能生成相同的结果。

本指南将向您展示如何控制随机性来源并启用确定性算法。

生成器

Pipelines 依赖 torch.randn 来创建初始噪声张量，而该函数每次都会使用不同的随机种子。若要在 CPU 或 GPU 上生成相同的输出，请使用 Generator 来管理随机值的生成方式。

如果可复现性很重要，你应该使用 CPU 上的 Generator。性能损失通常可以忽略不计，并且你会生成更相似的数值。

import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
generator = torch.manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]

import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cpu"
)
generator = torch.Generator(device="cpu").manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]

向 pipeline 传入一个 Generator 对象，而不是整数种子。Generator 会维护一个随机状态，每次使用它时该状态都会被消耗并更新。因此，即使跨 pipeline，后续调用同一对象也会产生不同的结果，因为其状态已经改变。如果需要再次使用相同的种子，请在每次调用前重新设置种子或创建一个新的 Generator。

import torch

prompt = "a red apple on a wooden table"

for _ in range(5):
    generator = torch.manual_seed(0)
    image = pipeline(prompt, generator=generator, num_inference_steps=4).images[0]

确定性算法

PyTorch 支持针对某些操作使用确定性算法（在可用的情况下），以确保它们产生相同的结果。确定性算法可能会更慢并降低性能。

使用 Diffusers 的 enable_full_determinism() 来启用确定性算法。

from diffusers.utils.torch_utils import enable_full_determinism

enable_full_determinism()

enable_full_determinism 的工作原理如下：

• 将环境变量 CUDA_LAUNCH_BLOCKING 设置为 1
• 将环境变量 CUBLAS_WORKSPACE_CONFIG 设置为 :16:8，以便 cuBLAS 在运行时使用固定的工作区布局
• 调用 torch.use_deterministic_algorithms(True)
• 设置 torch.backends.cudnn.deterministic = True
• 设置 torch.backends.cudnn.benchmark = False，使 cuDNN 不会在每次运行时选择不同的卷积算法
• 通过torch.backends.cuda.matmul.allow_tf32 = False禁用 TensorFloat32 (TF32)，转而使用精度更高的全精度矩阵乘法

后续步骤

建议阅读 PyTorch 关于 可复现性 的开发者说明。你可以尝试限制随机性，但即使使用相同的随机种子，也无法保证结果完全一致。