Hub

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

在 Hugging Face 上使用 🧨 diffusers

Diffusers 是用于生成图像、音频甚至分子 3D 结构的先进预训练扩散模型的首选库。无论您是寻求简单的推理方案，还是希望训练自己的扩散模型，Diffusers 都是一个支持这两者的模块化工具箱。该库的设计侧重于易用性而非性能、简洁而非简单，以及可定制性而非抽象。

Hub 上有超过 10,000 个兼容 diffusers 的流水线，您可以在模型页面左侧通过筛选找到它们。扩散系统通常由多个组件组成，例如文本编码器、UNet、VAE 和调度器。尽管它们并非独立的模型，但流水线抽象使得将它们用于推理或训练变得十分便捷。

您可以找到适用于许多不同任务的扩散模型流水线：

如果您想在不下载模型的情况下进行测试，可以借助浏览器内的小部件直接在浏览器中试用这些模型！

Diffusers 模型仓库包含所有必需的模型子组件，例如用于编码图像和解码潜在表示的变分自编码器、文本编码器、Transformer 模型等。这些子组件被组织成多文件夹布局。

每个子文件夹都包含各个组件的权重和配置（如适用），类似于 Transformers 模型。

权重通常以 safetensors 文件的形式存储，而配置文件通常是一个包含模型架构信息的 json 文件。

所有 diffusers 流水线都只需一行代码即可使用！要运行生成任务，我们建议始终从 DiffusionPipeline 开始：

from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0")

如果您想加载特定的流水线组件，例如 UNet，可以通过以下方式实现：

from diffusers import UNet2DConditionModel

unet = UNet2DConditionModel.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0", subfolder="unet")

所有 pipeline 类、model 类和 scheduler 类均与 Hub 完全兼容。更具体地说，它们可以通过 from_pretrained() 方法轻松地从 Hub 加载，并可以使用 push_to_hub() 方法与他人共享。

有关更多详细信息，请参阅文档。