# 可复现性

Diffusion 是一个随机过程，每次都会生成不同的输出。对于测试和复现结果等用例，你希望在一定的容差范围内，跨版本和平台每次都能生成相同的结果。

本指南将向您展示如何控制随机性来源并启用确定性算法。

## 生成器

Pipelines 依赖 [torch.randn](https://pytorch.org/docs/stable/generated/torch.randn.html) 来创建初始噪声张量，而该函数每次都会使用不同的随机种子。若要在 CPU 或 GPU 上生成相同的输出，请使用 [Generator](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html) 来管理随机值的生成方式。

> [!TIP]
> 如果可复现性很重要，你应该使用 CPU 上的 `Generator`。性能损失通常可以忽略不计，并且你会生成更相似的数值。

如果您关注可复现性，请使用 CPU `Generator`。CPU 随机数生成器在不同机器上更加稳定。

当传入 CPU `Generator` 时，Diffusers 的 [randn_tensor()](/docs/diffusers/v0.43.0/zh/api/utilities#diffusers.utils.torch_utils.randn_tensor) 会在 CPU 上进行采样，并在流水线内部将张量移至 GPU。您无需自行调用 `randn_tensor` 或 `.to("cuda")`。GPU `Generator` 则直接在设备上采样，其结果可能与 CPU 上的结果存在差异。

使用 [manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.manual_seed.html) 来设置种子。

```py
import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
generator = torch.manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]
```

创建一个 CPU `Generator`，并使用 [Generator.manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html#torch.Generator.manual_seed) 设置种子。

```py
import torch
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cpu"
)
generator = torch.Generator(device="cpu").manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]
```

向 pipeline 传入一个 `Generator` 对象，而不是整数种子。`Generator` 会维护一个随机状态，每次使用它时该状态都会被消耗并更新。因此，即使跨 pipeline，后续调用同一对象也会产生不同的结果，因为其状态已经改变。如果需要再次使用相同的种子，请在每次调用前重新设置种子或创建一个新的 `Generator`。

```py
import torch

prompt = "a red apple on a wooden table"

for _ in range(5):
    generator = torch.manual_seed(0)
    image = pipeline(prompt, generator=generator, num_inference_steps=4).images[0]
```

## 确定性算法

PyTorch 支持针对某些操作使用[确定性算法](https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms)（在可用的情况下），以确保它们产生相同的结果。确定性算法可能会更慢并降低性能。

使用 Diffusers 的 `enable_full_determinism()` 来启用确定性算法。

```py
from diffusers.utils.torch_utils import enable_full_determinism

enable_full_determinism()
```

`enable_full_determinism` 的工作原理如下：

- 将环境变量 `CUDA_LAUNCH_BLOCKING` 设置为 `1`
- 将环境变量 [CUBLAS_WORKSPACE_CONFIG](https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility) 设置为 `:16:8`，以便 cuBLAS 在运行时使用固定的工作区布局
- 调用 `torch.use_deterministic_algorithms(True)`
- 设置 `torch.backends.cudnn.deterministic = True`
- 设置 `torch.backends.cudnn.benchmark = False`，使 cuDNN 不会在每次运行时选择不同的卷积算法
- 通过`torch.backends.cuda.matmul.allow_tf32 = False`禁用 TensorFloat32 (TF32)，转而使用精度更高的全精度矩阵乘法

## 后续步骤

建议阅读 PyTorch 关于 [可复现性](https://docs.pytorch.org/docs/stable/notes/randomness.html) 的开发者说明。你可以尝试限制随机性，但即使使用相同的随机种子，也无法 *保证* 结果完全一致。