ZLUDA教程【搬运+翻译】来自Github

[admin]

Github：https://github.com/vladmandic/automatic/wiki/ZLUDA
适用于 Windows 中 AMD GPU 的 ZLUDA （CUDA 包装器）

警告

ZLUDA 在其官方版本中并不完全支持 PyTorch。所以 ZLUDA 支持是如此棘手和不稳定。目前支持有限。请不要在 GitHub 上创建有关 ZLUDA 的问题。请随时通过 discord 帮助频道中的 ZLUDA 线程与我们联系。

在 Windows 中为 AMD GPU 安装 ZLUDA

本指南假定您已安装 Git 和 Python，并且能够熟练使用命令提示符、导航 Windows 资源管理器、重命名文件和文件夹以及使用 zip 文件。

如果您有集成的 AMD GPU （iGPU），则可能需要禁用它，或使用 HIP_VISIBLE_DEVICES 环境变量。在此处了解更多信息。

安装 Visual C++Runtime

请注意： 无论如何，大多数人都会拥有它，因为它附带了很多游戏，但尝试安装它并没有什么坏处。

从 https://aka.ms/vs/17/release/vc_redist.x64.exe 获取最新版本的 Visual C++ Runtime（这是一个直接下载链接），然后运行它。

如果您获得 Repair （修复） 或 Uninstall（卸载）选项，则表示您已经安装了它，并且可以单击 Close（关闭）。否则，请安装。

安装 ZLUDA

ZLUDA 现在是自动安装的，并且在使用--use-zluda启动 webui.bat 时自动添加到 PATH。

安装 HIP SDK

从 https://www.amd.com/en/developer/resources/rocm-hub/hip-sdk.html 安装 HIP SDK 5.7.1

只要您的常规 AMD GPU 驱动程序是最新的，您就不需要安装 HIP SDK 建议的 PRO 驱动程序。

注：SD.Next 支持 HIP SDK 6.1.x，但稳定性和功能尚未得到验证。

替换不受支持的 GPU 架构的 HIP SDK 库文件

转到 https://rocm.docs.amd.com/proje...quirements.html 并找到您的 GPU 型号。

如果您的 GPU 型号在两列中都有 ，请跳至安装 SD。下一步。

如果您的 GPU 型号在 HIP SDK 列中，或者您的 GPU 未列出，请按照以下说明操作;

1. 打开 Windows 资源管理器并复制并粘贴到 C:\Program Files\AMD\ROCm\5.7\bin\rocblas 地址栏中。

2. 复制 library 文件夹以用于备份。

3. 下载以下文件之一，并将它们解压缩到原始库文件夹中，覆盖那里的所有文件。
   注意：多亏了 FremontDango，这些用于 gfx1031 和 gfx1032 GPU 的替代库的速度提高了约 50%;
   （注意：您可能需要安装7-Zip才能解压缩 .7z 文件。）

   • 如果您有 6700、6700xt 或 6750xt （gfx1031） GPU，请下载Optimised_ROCmLibs_gfx1031.7z
   • 如果您有 6600、6600xt 或 6650xt （gfx1032） GPU，请下载Optimised_ROCmLibs_gfx1032.7z
   • 对于所有其他不支持的 GPU，请下载 ROCmLibs.7z

4. 打开 zip 文件

5. 将库文件夹从 zip 文件拖放到 %HIP_PATH%bin\rocblas（您在步骤 1 中打开的文件夹）中

6. 重启电脑

如果您的 GPU 型号不在 HIP SDK 列中或在上面的列表中不可用，请按照 Rocm 支持指南中的说明构建您自己的 RocblasLibs

安装 StableDiffusion

使用 Windows 资源管理器，导航到要安装 SD 的位置。下一个。这应该是您的用户帐户对其具有读/写/执行访问权限的文件夹。安装 SD.Next 在需要管理员权限的目录中可能会导致它无法正常启动。

注意：请勿安装 SD。接下来进入 Program Files、Users 或 Windows 文件夹，这包括 OneDrive 文件夹或桌面上的文件夹，或者进入以句点开头的文件夹;（例如：.sdnext）。

最好的位置是 SSD 上用于模型加载

在位置栏中，键入 cmd，然后按Enter。这将在该位置打开一个命令提示符窗口

将以下命令复制并粘贴到命令提示符窗口中，一次一个

git clone https://github.com/vladmandic/automatic

Markup

Copy

then 然后

cd automatic

Markup

Copy

then 然后

webui.bat --use-zluda --debug --autolaunch

注意：ZLUDA 在 Diffusers Backend 中运行最佳，其中某些仅 Diffusers 选项可用。

编译、设置和 First Generation

UI 启动后，转到系统选项卡 > 计算设置

将 Attention optimization method 设置为 Dynamic Attention BMM，然后点击 Apply settings。

现在，尝试生成一些东西

编译应该需要相当长的时间（10-15 分钟，甚至更长时间;一些报告指出 1 小时前），但此编译应该只需要执行一次

注意：不会有进度条，因为这是由 ZLUDA 而不是 SD 完成的。下一个。最终，您的图像将开始生成

比较 （DirectML）

项目	DirectML	ZLUDA
Speed 速度	Slower 慢	Faster 更快
VRAM Usage	More 更多	Less 少
VRAM GC
Traning	*
Flash Attention
FFT
FFTW
DNN
RTC
Source Code	已关闭	Opened
Python	<=3.12	与 CUDA 相同

Compatibility 兼容性

DTYPE
FP64
FP32
FP16
BF16
LONG
INT8	*
UINT8	*
INT4
FP8
BF8

*: Not tested. *： 未测试。

实验设置

以下部分是可选的，并且是高度实验性的，并且不是开始生成图像所必需的。确保在尝试这些操作之前可以先生成图像。

使用 deepcache 的实验性速度提升（可选）

启动 SD。接下来，前往系统选项卡 > 计算设置。

向下滚动到Model Compile，然后勾选Model、VAE和Text Encoder框。

选择 deep-cache 作为您的模型编译后端。

Apply 和 Shutdown，以及重新启动 SD。