DiffSynth-Studio
在单卡昇腾上安装 DiffSynth-Studio，用 Stable Diffusion 1.5 生成一张图。
前置条件
硬件
Atlas 800T / 900 A2 训练系列（Ascend 910B）。本文示例为单卡。
软件
类别 |
要求 |
|---|---|
CANN |
toolkit + 驱动固件已安装，并可 |
Python |
3.12 |
PyTorch |
|
DiffSynth-Studio |
从 PyPI 安装 |
模型 |
阅读本文前，请先按 快速安装昇腾环境 准备好 CANN 与驱动。推荐配套镜像：swr.cn-south-1.myhuaweicloud.com/ascendhub/cann:9.1.0-910b-ubuntu22.04-py3.12。
1. 加载 CANN 环境
常见容器里 npu-smi 在 /usr/local/sbin，需要把该目录加入 PATH。
source /usr/local/Ascend/ascend-toolkit/set_env.sh
export PATH=/usr/local/sbin:$PATH
2. 检查环境是否就绪
2.1 确认 NPU 在线
npu-smi info
如果 npu-smi 找不到，回到 快速安装昇腾环境 检查驱动与设备挂载。
2.2 确认工具可用
下面确认 CANN 已加载，并且 npu-smi 与 python 都在 PATH 里。
test -n "$ASCEND_HOME_PATH"
command -v npu-smi >/dev/null
python --version
输出结果如下：
Python 3.12...
3. 安装 PyTorch NPU 栈
从昇腾 PyPI 源安装与 CANN 9.1 配对的 torch / torch_npu，并确认 NPU 运行时可用。
python -m pip install --retries 3 \
--extra-index-url https://repo.huaweicloud.com/ascend/repos/pypi \
torch==2.9.0 torch_npu==2.9.0.post2 torchvision numpy pyyaml
python -c "import numpy, yaml, torch, torch_npu; print('torch', torch.__version__); print('torch_npu', torch_npu.__version__); print('npu_available', torch.npu.is_available())"
输出结果如下：
...
torch 2.9.0...
torch_npu 2.9.0.post2
npu_available True
npu_available 必须是 True。为 False 时不要继续，先查 CANN、驱动和可见设备。
4. 安装 DiffSynth-Studio
不要运行 pip install -e ".[npu_aarch64]"。那个 extra 会把刚装好的 torch 2.9.0 降回 2.7.1。先装好上一节的 NPU 栈，再装不带 extra 的 diffsynth。
python -m pip install --retries 3 diffsynth
python -c "import torch, torch_npu; from importlib.metadata import version; from diffsynth.core.device.npu_compatible_device import get_device_name, get_device_type; print('diffsynth', version('diffsynth')); print('device_type', get_device_type()); print('device_name', get_device_name())"
输出结果如下：
...
diffsynth ...
device_type npu
device_name npu:0
device_name 为 npu:0 只说明设备探测成功。若这里打印 device_type cpu 或 cuda，先回到第 3 节确认 torch_npu 和可见设备。
5. 在 NPU 上生成一张图
num_inference_steps=5 是第一次跑通的步数。50 步出图更清楚，但第一次验证安装不必等那么久。正式出图时把步数改回 50。权重从 Hugging Face 下载，脚本里把 download_source 设为 huggingface。
保存为 generate_sd15.py：
import torch
import torch_npu
from diffsynth.core import ModelConfig
from diffsynth.core.device.npu_compatible_device import get_device_name
from diffsynth.pipelines.stable_diffusion import StableDiffusionPipeline
print("device_name", get_device_name())
pipe = StableDiffusionPipeline.from_pretrained(
torch_dtype=torch.float32,
device="npu",
model_configs=[
ModelConfig(
model_id="stable-diffusion-v1-5/stable-diffusion-v1-5",
origin_file_pattern="text_encoder/model.safetensors",
download_source="huggingface",
),
ModelConfig(
model_id="stable-diffusion-v1-5/stable-diffusion-v1-5",
origin_file_pattern="unet/diffusion_pytorch_model.safetensors",
download_source="huggingface",
),
ModelConfig(
model_id="stable-diffusion-v1-5/stable-diffusion-v1-5",
origin_file_pattern="vae/diffusion_pytorch_model.safetensors",
download_source="huggingface",
),
],
tokenizer_config=ModelConfig(
model_id="stable-diffusion-v1-5/stable-diffusion-v1-5",
origin_file_pattern="tokenizer/",
download_source="huggingface",
),
)
print("pipe.device", pipe.device)
print("unet.device", next(pipe.unet.parameters()).device)
image = pipe(
prompt="a photo of an astronaut riding a horse on mars, high quality, detailed",
negative_prompt="blurry, low quality, deformed",
cfg_scale=7.5,
height=512,
width=512,
seed=42,
rand_device="npu",
num_inference_steps=5,
)
image.save("image.jpg")
print("image_size", image.size)
python generate_sd15.py
输出结果如下：
device_name npu:0
...
pipe.device npu
unet.device npu:0
image_size (512, 512)
...
pipe.device 打印的是传入的字符串 npu。unet.device 才是参数真正所在的设备。