在 Hugging Face 使用 🧨 diffusers
Diffusers 是用于生成图像、音频甚至分子 3D 结构的最先进预训练扩散模型的首选库。无论你是在寻找简单的推理解决方案，还是想训练自己的扩散模型，Diffusers 都是一个支持两者的模块化工具箱。该库的设计重点是可用性优于性能，简单优于容易，可定制性优于抽象。
在 Hub 上探索 Diffusers
Hub 上有超过 10,000 个 diffusers 兼容管道，你可以通过在模型页面左侧筛选来找到它们。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。尽管它们不是独立模型，但管道抽象使它们易于用于推理或训练。
你可以找到用于许多不同任务的扩散管道：
如果你想在不下载模型的情况下测试它们，可以直接在浏览器中试用模型，这要归功于浏览器内小部件！
Diffusers 仓库文件
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。
每个子文件夹包含每个组件的权重和配置（如适用），类似于 Transformers 模型。
权重通常存储为 safetensors 文件，配置通常是包含模型架构信息的 json 文件。
使用现有管道
所有 diffusers 管道都只需一行代码即可使用！要运行生成，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")
如果你想加载特定的管道组件（例如 UNet），可以这样做：
from diffusers import UNet2DConditionModel
unet = UNet2DConditionModel.from_pretrained("stabilityai/stable-diffusion-xl-base-1.0", subfolder="unet")
分享你的管道和模型
所有管道类、模型类和调度器类都与 Hub 完全兼容。更具体地说，它们可以使用 from_pretrained() 方法轻松地从 Hub 加载，并且可以使用 push_to_hub() 方法与他人分享。
有关更多详细信息，请查看文档。