首页
/ stable-diffusion.cpp项目在AMD MI300X上的构建与运行指南

stable-diffusion.cpp项目在AMD MI300X上的构建与运行指南

2025-06-16 14:22:48作者:尤峻淳Whitney

项目背景

stable-diffusion.cpp是一个基于C++实现的Stable Diffusion推理引擎,它能够在本地高效运行Stable Diffusion模型。该项目支持多种硬件后端,包括CPU、CUDA和ROCm(AMD GPU)。本文将详细介绍如何在AMD Instinct MI300X显卡上成功构建并运行stable-diffusion.cpp项目。

构建环境准备

在AMD MI300X显卡上构建stable-diffusion.cpp需要以下环境配置:

  1. ROCm 6.2.0或更高版本
  2. CMake 3.0或更高版本
  3. Ninja构建工具
  4. Clang编译器(ROCm自带)

构建步骤详解

1. 配置CMake

正确的CMake配置对于成功构建至关重要。针对MI300X显卡,需要特别注意以下几点:

cmake .. -G Ninja \
  -DCMAKE_C_COMPILER=$(hipconfig -l)/clang \
  -DCMAKE_CXX_COMPILER=$(hipconfig -l)/clang++ \
  -DSD_HIPBLAS=ON \
  -DCMAKE_BUILD_TYPE=Release \
  -DAMDGPU_TARGETS=gfx942 \
  -DSD_BUILD_SHARED_LIBS=ON

关键参数说明:

  • SD_HIPBLAS=ON:启用HIPBLAS后端支持
  • AMDGPU_TARGETS=gfx942:指定MI300X的GPU架构
  • SD_BUILD_SHARED_LIBS=ON:构建动态链接库

2. 执行构建

配置完成后,执行构建命令:

cmake --build . --config Release

常见构建问题及解决方案

1. 链接错误

在初始构建过程中,可能会遇到以下链接错误:

ld.lld: error: undefined reference due to --no-allow-shlib-undefined: ggml_backend_cuda_init

这是由于CMakeLists.txt文件需要更新以正确处理ROCm后端。解决方案是确保在CMake配置中正确设置了HIP相关的链接库路径。

2. GPU架构不匹配

如果错误地指定了GPU架构(如使用gfx1100而不是gfx942),会导致运行时错误:

ggml_cuda_compute_forward: PAD failed
ROCm error: invalid device function

正确的做法是确认MI300X的实际架构代号(gfx942)并正确设置AMDGPU_TARGETS参数。

模型运行指南

成功构建后,可以运行Stable Diffusion模型生成图像。以下是一个示例命令:

./bin/sd -m sd3_medium_incl_clips_t5xxlfp16.safetensors \
  --cfg-scale 5 \
  --steps 30 \
  --sampling-method euler \
  -H 1024 -W 1024 \
  --seed 42 \
  -p "fantasy medieval village world inside a glass sphere..."

运行输出解读

成功运行时,控制台会显示详细的进度信息:

[INFO] stable-diffusion.cpp:516 - total params memory size = 14857.47MB
[INFO] stable-diffusion.cpp:520 - loading model completed, taking 11.08s
[INFO] stable-diffusion.cpp:1466 - sampling completed, taking 17.66s
[INFO] stable-diffusion.cpp:1614 - txt2img completed in 21.95s

这些信息包含了模型加载时间、采样时间等关键性能指标,有助于评估系统性能。

性能优化建议

  1. 内存管理:模型加载会占用大量显存和内存,确保系统有足够的资源
  2. 批处理:适当增加批处理大小可以提高吞吐量
  3. 精度选择:使用FP16精度可以显著减少内存占用并提高性能
  4. 后端选择:对于大型模型,HIPBLAS后端通常比CPU后端有更好的性能

结论

在AMD MI300X显卡上成功运行stable-diffusion.cpp需要正确的构建配置和参数设置。通过本文介绍的步骤,开发者可以充分利用AMD GPU的硬件加速能力,高效运行Stable Diffusion模型。遇到问题时,仔细检查GPU架构设置和构建配置是解决问题的关键。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8