Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /zh /using-diffusers /loading.md

mishig

about 3 hours ago

preview code

download

raw

11.4 kB

# DiffusionPipeline

扩散模型由多个组件构成，例如 UNet 或扩散 Transformer（DiT）、文本编码器、变分自编码器（VAE）以及调度器。[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 将所有这些组件封装为一个易于使用的统一 API，同时保留了修改其内部组件的灵活性。

本指南将向您展示如何加载 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline)。

## 加载 pipeline

[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 是一个基础流水线类，它会扫描 `model_index.json` 文件中的类名，自动选择并返回模型流水线子类的实例，例如 [QwenImagePipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImagePipeline)。

将模型 ID 传递给 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 以加载流水线。

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

每个模型都有一个特定的流水线子类，该子类继承自 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline)。子类通常具有较窄的适用范围，并针对特定任务进行设计。下表给出了一个示例。

| pipeline 子类 | 任务 |
|---|---|
| [QwenImagePipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImagePipeline) | 文本到图像 |
| [QwenImageImg2ImgPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImageImg2ImgPipeline) | 图像到图像 |
| [QwenImageInpaintPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImageInpaintPipeline) | inpaint |

您可以直接通过向 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 传递模型 ID 来使用该子类。

```py
import torch
from diffusers import QwenImagePipeline
pipeline = QwenImagePipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

> [!TIP]
> 请参阅 [单文件格式](./other-formats#single-file-format) 文档，了解如何加载单文件模型。

### 本地流水线

Pipelines 也可以在本地运行。使用 [snapshot_download](https://huggingface.co/docs/huggingface_hub/v2.4.0/en/package_reference/file_download#huggingface_hub.snapshot_download) 下载模型仓库。

```py
from huggingface_hub import snapshot_download
local_dir = snapshot_download(repo_id="Qwen/Qwen-Image")
```

将该路径传递给 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 以加载它。

```py
import torch
from diffusers import QwenImagePipeline
pipeline = QwenImagePipeline.from_pretrained(
  local_dir, dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

当 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 方法检测到本地路径时，不会从 Hub 下载文件。但这也意味着，它同样不会下载并缓存对该模型所做的任何更新。

## Pipeline 数据类型

使用 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 中的 `dtype` 参数，可以以特定的数据类型加载模型。这允许您以不同的精度加载不同的模型。例如，以半精度加载大型 transformer 模型可以减少所需的内存。

将每个模型的数据类型以字典形式传递给 `dtype`。使用 `default` 键来设置默认数据类型。如果某个模型不在字典中且未提供 `default`，则该模型将以全精度（`torch.float32`）加载。

```py
import torch
from diffusers import QwenImagePipeline
pipeline = QwenImagePipeline.from_pretrained(
  "Qwen/Qwen-Image",
  dtype={"transformer": torch.bfloat16, "default": torch.float16},
)
print(pipeline.transformer.dtype, pipeline.vae.dtype)
```

如果您以相同的数据类型加载所有模型，则无需使用字典。

```py
import torch
from diffusers import QwenImagePipeline
pipeline = QwenImagePipeline.from_pretrained(
  "Qwen/Qwen-Image", dtype=torch.bfloat16
)
print(pipeline.transformer.dtype, pipeline.vae.dtype)
```

## 设备放置

`device_map` 参数用于将流水线放置到设备上。在运行时，Diffusers 接受 `"balanced"`、`"cpu"` 以及当前机器对应的加速器字符串（通常为 `"cuda"`、`"mps"` 或 `"xpu"`）。

| 参数 | 描述 |
|---|---|
| accelerator 字符串 | 将 pipeline 放置到该设备上。请传入你的机器支持的加速器，例如 `"cuda"`、`"mps"` 或 `"xpu"`。 |
| `"balanced"` | 将流水线组件分散到可见的 GPU 上。当您需要设置每个设备的内存上限时，请配合使用 `max_memory`。 |
| `"cpu"` | 将流水线放置在 CPU 上。 |

使用 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 中的 `max_memory` 参数，为每个设备分配可使用的最大内存量。默认情况下，Diffusers 会使用可用的最大内存。

```py
import torch
from diffusers import DiffusionPipeline
max_memory = {0: "16GB", 1: "16GB"}
pipeline = DiffusionPipeline.from_pretrained(
  "Qwen/Qwen-Image",
  dtype=torch.bfloat16,
  device_map="balanced",
  max_memory=max_memory,
)
```

`hf_device_map` 属性允许您访问并查看 `device_map`。

```py
print(pipeline.hf_device_map)
# {'transformer': 1, 'vae': 1, 'text_encoder': 0}
```

使用 [reset_device_map()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.reset_device_map) 方法重置流水线的 `device_map`。如果您希望使用 `.to()`、[enable_sequential_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_sequential_cpu_offload) 和 [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload) 等方法，则必须执行此操作。

```py
pipeline.reset_device_map()
```

## 并行加载

大型模型通常会被[分片](../optimization/memory#sharded-checkpoints)为较小的文件，以便于加载。Diffusers 支持并行加载分片，以加快加载过程。

将 `HF_ENABLE_PARALLEL_LOADING` 设置为 `"YES"` 以启用分片的并行加载。

`device_map` 参数应设置为 `"cuda"`，以便根据模型大小预先分配一大块内存。这能显著缩短模型加载时间，因为内存分配器的预热过程避免了后续大量较小的分配器调用。

```py
import os
import torch
from diffusers import DiffusionPipeline
os.environ["HF_ENABLE_PARALLEL_LOADING"] = "YES"
pipeline = DiffusionPipeline.from_pretrained(
  "Wan-AI/Wan2.2-I2V-A14B-Diffusers", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

## 在流水线中替换模型

[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 具有灵活性，支持加载其他模型或调度器。您可以尝试不同的调度器，以优化生成速度或质量，也可以将模型替换为性能更优的模型。

以下示例使用了更稳定的 VAE 版本。

```py
import torch
from diffusers import DiffusionPipeline, AutoModel
vae = AutoModel.from_pretrained(
  "madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16
)
pipeline = DiffusionPipeline.from_pretrained(
  "stabilityai/stable-diffusion-xl-base-1.0",
  vae=vae,
  dtype=torch.float16,
  device_map="cuda"  # or "mps", "xpu", "cpu"
)
```

## 在多个流水线中复用模型

在处理使用同一模型的多个流水线时，[from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 方法允许复用模型，而无需每次重新加载。这样，您可以在不增加内存占用的情况下使用多个流水线。

内存使用量由内存需求最高的流水线决定，与流水线的数量无关。

以下示例加载一个 pipeline，然后使用 [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 加载第二个 pipeline，以利用 [perturbed-attention guidance (PAG)](../api/pipelines/pag) 来提升生成质量。

> [!WARNING]
> 请使用 [AutoPipelineForText2Image](/docs/diffusers/v0.43.0/zh/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image)，因为 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 不支持 PAG。有关更多信息，请参阅 [AutoPipeline](../tutorials/autopipeline) 文档。

```py
import torch
from diffusers import AutoPipelineForText2Image
pipeline_sdxl = AutoPipelineForText2Image.from_pretrained(
  "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
image = pipeline_sdxl(prompt).images[0]
print(f"Max memory reserved: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB")
# Max memory reserved: 10.47 GB
```

在第二个 pipeline 中设置 `enable_pag=True` 以启用 PAG。第二个 pipeline 使用的内存量与第一个相同，因为它与第一个共享模型权重。

```py
pipeline = AutoPipelineForText2Image.from_pipe(
  pipeline_sdxl, enable_pag=True
)
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
image = pipeline(prompt).images[0]
print(f"Max memory reserved: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB")
# Max memory reserved: 10.47 GB
```

> [!WARNING]
> 由 [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 创建的管道共享相同的模型和 *state*。在一个管道中修改某个模型的状态，会影响所有共享该模型的其他管道。

Some methods may not work correctly on pipelines created with [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe). For example, [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload) relies on a unique model execution order, which may differ in the new pipeline. To ensure proper functionality, reapply these methods on the new pipeline.

## 后续步骤

加载流水线后，您通常会调整去噪调度、更换权重格式或附加适配器。

- [Schedulers](./schedulers) 涵盖去噪算法的切换与配置。
- [模型格式](./other-formats)涵盖了 GGUF、单文件检查点以及其他权重布局。
- [减少内存使用](../optimization/memory)涵盖了卸载及其他内存工具。
- [LoRA](../tutorials/using_peft_for_inference) 涵盖了在管道上加载适配器的内容。
- [旧版检查点](./legacy_checkpoints#safety-checker)介绍了用于旧版 Stable Diffusion 检查点的安全检查器。

Xet Storage Details

Size:: 11.4 kB
Xet hash:: c364c69f9db53bd943a60401fa676e2ef4edcf6b08c8f8287edd74198157ebe5

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# DiffusionPipeline

	扩散模型由多个组件构成，例如 UNet 或扩散 Transformer（DiT）、文本编码器、变分自编码器（VAE）以及调度器。[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 将所有这些组件封装为一个易于使用的统一 API，同时保留了修改其内部组件的灵活性。

	本指南将向您展示如何加载 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline)。

	## 加载 pipeline

	[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 是一个基础流水线类，它会扫描 `model_index.json` 文件中的类名，自动选择并返回模型流水线子类的实例，例如 [QwenImagePipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImagePipeline)。

	将模型 ID 传递给 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 以加载流水线。

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	每个模型都有一个特定的流水线子类，该子类继承自 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline)。子类通常具有较窄的适用范围，并针对特定任务进行设计。下表给出了一个示例。

	\| pipeline 子类 \| 任务 \|
	\|---\|---\|
	\| [QwenImagePipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImagePipeline) \| 文本到图像 \|
	\| [QwenImageImg2ImgPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImageImg2ImgPipeline) \| 图像到图像 \|
	\| [QwenImageInpaintPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/qwenimage#diffusers.QwenImageInpaintPipeline) \| inpaint \|

	您可以直接通过向 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 传递模型 ID 来使用该子类。

	```py
	import torch
	from diffusers import QwenImagePipeline

	pipeline = QwenImagePipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	> [!TIP]
	> 请参阅 [单文件格式](./other-formats#single-file-format) 文档，了解如何加载单文件模型。

	### 本地流水线

	Pipelines 也可以在本地运行。使用 [snapshot_download](https://huggingface.co/docs/huggingface_hub/v2.4.0/en/package_reference/file_download#huggingface_hub.snapshot_download) 下载模型仓库。

	```py
	from huggingface_hub import snapshot_download

	local_dir = snapshot_download(repo_id="Qwen/Qwen-Image")
	```

	将该路径传递给 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 以加载它。

	```py
	import torch
	from diffusers import QwenImagePipeline

	pipeline = QwenImagePipeline.from_pretrained(
	local_dir, dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	当 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 方法检测到本地路径时，不会从 Hub 下载文件。但这也意味着，它同样不会下载并缓存对该模型所做的任何更新。

	## Pipeline 数据类型

	使用 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 中的 `dtype` 参数，可以以特定的数据类型加载模型。这允许您以不同的精度加载不同的模型。例如，以半精度加载大型 transformer 模型可以减少所需的内存。

	将每个模型的数据类型以字典形式传递给 `dtype`。使用 `default` 键来设置默认数据类型。如果某个模型不在字典中且未提供 `default`，则该模型将以全精度（`torch.float32`）加载。

	```py
	import torch
	from diffusers import QwenImagePipeline

	pipeline = QwenImagePipeline.from_pretrained(
	"Qwen/Qwen-Image",
	dtype={"transformer": torch.bfloat16, "default": torch.float16},
	)
	print(pipeline.transformer.dtype, pipeline.vae.dtype)
	```

	如果您以相同的数据类型加载所有模型，则无需使用字典。

	```py
	import torch
	from diffusers import QwenImagePipeline

	pipeline = QwenImagePipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16
	)
	print(pipeline.transformer.dtype, pipeline.vae.dtype)
	```

	## 设备放置

	`device_map` 参数用于将流水线放置到设备上。在运行时，Diffusers 接受 `"balanced"`、`"cpu"` 以及当前机器对应的加速器字符串（通常为 `"cuda"`、`"mps"` 或 `"xpu"`）。

	\| 参数 \| 描述 \|
	\|---\|---\|
	\| accelerator 字符串 \| 将 pipeline 放置到该设备上。请传入你的机器支持的加速器，例如 `"cuda"`、`"mps"` 或 `"xpu"`。 \|
	\| `"balanced"` \| 将流水线组件分散到可见的 GPU 上。当您需要设置每个设备的内存上限时，请配合使用 `max_memory`。 \|
	\| `"cpu"` \| 将流水线放置在 CPU 上。 \|

	使用 [from_pretrained()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pretrained) 中的 `max_memory` 参数，为每个设备分配可使用的最大内存量。默认情况下，Diffusers 会使用可用的最大内存。

	```py
	import torch
	from diffusers import DiffusionPipeline

	max_memory = {0: "16GB", 1: "16GB"}
	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image",
	dtype=torch.bfloat16,
	device_map="balanced",
	max_memory=max_memory,
	)
	```

	`hf_device_map` 属性允许您访问并查看 `device_map`。

	```py
	print(pipeline.hf_device_map)
	# {'transformer': 1, 'vae': 1, 'text_encoder': 0}
	```

	使用 [reset_device_map()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.reset_device_map) 方法重置流水线的 `device_map`。如果您希望使用 `.to()`、[enable_sequential_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_sequential_cpu_offload) 和 [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload) 等方法，则必须执行此操作。

	```py
	pipeline.reset_device_map()
	```

	## 并行加载

	大型模型通常会被[分片](../optimization/memory#sharded-checkpoints)为较小的文件，以便于加载。Diffusers 支持并行加载分片，以加快加载过程。

	将 `HF_ENABLE_PARALLEL_LOADING` 设置为 `"YES"` 以启用分片的并行加载。

	`device_map` 参数应设置为 `"cuda"`，以便根据模型大小预先分配一大块内存。这能显著缩短模型加载时间，因为内存分配器的预热过程避免了后续大量较小的分配器调用。

	```py
	import os
	import torch
	from diffusers import DiffusionPipeline

	os.environ["HF_ENABLE_PARALLEL_LOADING"] = "YES"

	pipeline = DiffusionPipeline.from_pretrained(
	"Wan-AI/Wan2.2-I2V-A14B-Diffusers", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	## 在流水线中替换模型

	[DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 具有灵活性，支持加载其他模型或调度器。您可以尝试不同的调度器，以优化生成速度或质量，也可以将模型替换为性能更优的模型。

	以下示例使用了更稳定的 VAE 版本。

	```py
	import torch
	from diffusers import DiffusionPipeline, AutoModel

	vae = AutoModel.from_pretrained(
	"madebyollin/sdxl-vae-fp16-fix", dtype=torch.float16
	)

	pipeline = DiffusionPipeline.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0",
	vae=vae,
	dtype=torch.float16,
	device_map="cuda" # or "mps", "xpu", "cpu"
	)
	```

	## 在多个流水线中复用模型

	在处理使用同一模型的多个流水线时，[from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 方法允许复用模型，而无需每次重新加载。这样，您可以在不增加内存占用的情况下使用多个流水线。

	内存使用量由内存需求最高的流水线决定，与流水线的数量无关。

	以下示例加载一个 pipeline，然后使用 [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 加载第二个 pipeline，以利用 [perturbed-attention guidance (PAG)](../api/pipelines/pag) 来提升生成质量。

	> [!WARNING]
	> 请使用 [AutoPipelineForText2Image](/docs/diffusers/v0.43.0/zh/api/pipelines/auto_pipeline#diffusers.AutoPipelineForText2Image)，因为 [DiffusionPipeline](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline) 不支持 PAG。有关更多信息，请参阅 [AutoPipeline](../tutorials/autopipeline) 文档。

	```py
	import torch
	from diffusers import AutoPipelineForText2Image

	pipeline_sdxl = AutoPipelineForText2Image.from_pretrained(
	"stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""
	image = pipeline_sdxl(prompt).images[0]
	print(f"Max memory reserved: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB")
	# Max memory reserved: 10.47 GB
	```

	在第二个 pipeline 中设置 `enable_pag=True` 以启用 PAG。第二个 pipeline 使用的内存量与第一个相同，因为它与第一个共享模型权重。

	```py
	pipeline = AutoPipelineForText2Image.from_pipe(
	pipeline_sdxl, enable_pag=True
	)
	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""
	image = pipeline(prompt).images[0]
	print(f"Max memory reserved: {torch.cuda.max_memory_allocated() / 1024**3:.2f} GB")
	# Max memory reserved: 10.47 GB
	```

	> [!WARNING]
	> 由 [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe) 创建的管道共享相同的模型和 state。在一个管道中修改某个模型的状态，会影响所有共享该模型的其他管道。

	Some methods may not work correctly on pipelines created with [from_pipe()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.from_pipe). For example, [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/zh/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload) relies on a unique model execution order, which may differ in the new pipeline. To ensure proper functionality, reapply these methods on the new pipeline.

	## 后续步骤

	加载流水线后，您通常会调整去噪调度、更换权重格式或附加适配器。

	- [Schedulers](./schedulers) 涵盖去噪算法的切换与配置。
	- [模型格式](./other-formats)涵盖了 GGUF、单文件检查点以及其他权重布局。
	- [减少内存使用](../optimization/memory)涵盖了卸载及其他内存工具。
	- [LoRA](../tutorials/using_peft_for_inference) 涵盖了在管道上加载适配器的内容。
	- [旧版检查点](./legacy_checkpoints#safety-checker)介绍了用于旧版 Stable Diffusion 检查点的安全检查器。