Stable Diffusion XL 1.0 部署实战：构建云端 AI 绘画服务

这种结构的好处是，app.py 专注于业务流程和交互，而模型加载等重型初始化操作可以被分离管理，使得代码更易维护和测试。

核心代码实现：构建你的灵感画廊

理解了设计理念后，我们开始动手编写核心代码。我们将使用 Streamlit 这个强大的工具来快速构建 Web 界面。

环境准备与依赖安装

首先，创建一个新的项目目录，并初始化 Python 环境。建议使用 Python 3.8 以上版本。

# 创建项目目录
mkdir inspiration-atelier && cd inspiration-atelier

# 创建虚拟环境（可选但推荐）
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows

# 创建 requirements.txt 文件

requirements.txt 文件内容如下，它定义了项目运行所需的所有库：

streamlit>=1.28.0
diffusers[torch]>=0.24.0
transformers>=4.35.0
accelerate>=0.25.0
torch>=2.0.0
pillow>=10.0.0
safetensors>=0.4.1

安装依赖：

pip install -r requirements.txt

编写模型加载模块 (model_loader.py)

为了保持主程序整洁，我们将模型加载逻辑单独封装。这个模块负责以高效的方式加载 SDXL 1.0 模型。

# model_loader.py
import torch
from diffusers import StableDiffusionXLPipeline, DPMSolverMultistepScheduler
from safetensors.torch import load_file
import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

class SDXLLoader:
    def __init__(self, model_path: str = "stabilityai/stable-diffusion-xl-base-1.0"):
        """
        初始化 SDXL 模型加载器。
        参数:
            model_path: 模型路径，可以是 Hugging Face 模型 ID 或本地路径。
        """
        self.model_path = model_path
        self.pipe = None
        logger.info(f"初始化模型加载器，模型路径：{model_path}")

    def load_pipeline(self, torch_dtype=torch.float16):
        """
        加载 Stable Diffusion XL 1.0 推理管道。
        参数:
            torch_dtype: 计算精度，默认为 float16 以节省显存。
        返回:
            加载好的 Diffusers 管道。
        """
        if self.pipe is not None:
            logger.info("模型已加载，跳过重复加载。")
            return self.pipe

        logger.info("开始加载 SDXL 1.0 模型，这可能需要几分钟...")
        try:
            # 使用 Diffusers 库从预训练模型加载管道
            # 设置 variant="fp16"直接加载 fp16 的权重，节省内存
            self.pipe = StableDiffusionXLPipeline.from_pretrained(
                self.model_path,
                torch_dtype=torch_dtype,
                variant="fp16",  # 加载 fp16 权重
                use_safetensors=True
            )

            # 将管道转移到 GPU（如果可用）
            if torch.cuda.is_available():
                self.pipe.to("cuda")
                logger.info("模型已加载至 GPU。")
            else:
                logger.warning("未检测到 GPU，使用 CPU 运行将非常缓慢。")

            # 配置采样器为 DPM++ 2M Karras，以获得较好的速度 - 质量平衡
            self.pipe.scheduler = DPMSolverMultistepScheduler.from_config(
                self.pipe.scheduler.config,
                use_karras_sigmas=True  # 启用 Karras sigmas 以获得更平滑的采样
            )

            # 启用模型 CPU 卸载或注意力切片以进一步优化显存（适用于显存较小的环境）
            # self.pipe.enable_model_cpu_offload()
            # self.pipe.enable_attention_slicing()

            logger.info("SDXL 1.0 模型加载完成。")
            return self.pipe
        except Exception as e:
            logger.error(f"模型加载失败：{e}")
            raise

# 提供一个全局加载器实例，方便调用
_model_loader = None

def get_model_loader(model_path: str = None):
    """获取或创建全局模型加载器实例。"""
    global _model_loader
    if _model_loader is None:
        path = model_path or "stabilityai/stable-diffusion-xl-base-1.0"
        _model_loader = SDXLLoader(path)
    return _model_loader

代码解读：

1. 精度选择：使用 torch.float16 进行混合精度推理，这是云端部署的常见选择，能在画质和性能/成本间取得最佳平衡。
2. 采样器配置：DPMSolverMultistepScheduler 配合 use_karras_sigmas=True，是 SDXL 推荐的配置之一，能在较少的采样步数（如 30 步）内获得高质量输出。
3. 显存优化：代码中注释了 enable_model_cpu_offload 等方法。在 PAI-EAS 部署时，我们可以根据申请的 GPU 显存大小来决定是否启用这些优化。

编写主应用文件 (app.py)

这是灵感画廊的'大脑'和'脸面'。我们使用 Streamlit 来构建一个极具文艺气息的 Web 界面。

# app.py
import streamlit as st
import torch
from PIL import Image
import time
import base64
import io
from model_loader import get_model_loader

# ------------------ 页面初始化与样式注入 ------------------
st.set_page_config(
    page_title="灵感画廊 · Atelier of Light and Shadow",
    page_icon="🎨",
    layout="wide",
    initial_sidebar_state="expanded"
)

# 注入自定义 CSS，打造'艺术沙龙'视觉
st.markdown("""
<style>
/* 主色调：宣纸米白与深灰 */
.main { background-color: #faf8f5; }
.stApp { background-color: #faf8f5; }
/* 标题字体：衬线体，文艺感 */
h1, h2, h3 { font-family: 'Noto Serif SC', serif; color: #2c3e50; font-weight: 400; }
/* 输入框样式 */
.stTextArea textarea { font-family: 'Noto Serif SC', serif; font-size: 16px; border: 1px solid #ddd; border-radius: 8px; background-color: #fffefc; }
/* 按钮样式 */
.stButton button { font-family: 'Noto Serif SC', serif; background-color: #8b7355; color: white; border: none; padding: 12px 28px; border-radius: 25px; font-size: 18px; transition: all 0.3s; width: 100%; }
.stButton button:hover { background-color: #6f5a41; transform: translateY(-2px); box-shadow: 0 5px 15px rgba(139, 115, 85, 0.3); }
/* 侧边栏 */
.css-1d391kg { background-color: #f5f1eb; }
</style>
""", unsafe_allow_html=True)

# 在 HTML 头部引入 Google 字体
st.markdown('<link href="https://fonts.googleapis.com/css2?family=Noto+Serif+SC:wght@400;700&display=swap" rel="stylesheet">', unsafe_allow_html=True)

# ------------------ 侧边栏：画布规制 ------------------
with st.sidebar:
    st.markdown("## 🖼️ 画布规制")
    # 意境预设选择
    preset = st.selectbox(
        "意境预设",
        ["无", "影院余晖 (Cinematic Sunset)", "浮世幻象 (Ukiyo Fantasy)", "纪实瞬间 (Documentary Moment)", "水墨诗意 (Ink Wash)", "赛博霓虹 (Cyber Neon)"],
        help="选择一种基础美学风格，它将融入你的梦境描述中。"
    )
    # 画幅比例选择
    ratio = st.selectbox(
        "画幅比例",
        ["方幅 (1:1)", "横卷 (16:9)", "立轴 (9:16)", "宽幅 (4:3)", "长幅 (3:4)"],
        index=0
    )
    # 映射比例到具体分辨率
    ratio_map = {
        "方幅 (1:1)": (1024, 1024),
        "横卷 (16:9)": (1152, 648),
        "立轴 (9:16)": (648, 1152),
        "宽幅 (4:3)": (1024, 768),
        "长幅 (3:4)": (768, 1024),
    }
    width, height = ratio_map[ratio]

    # 灵感契合度（指导尺度）
    guidance_scale = st.slider(
        "灵感契合度",
        min_value=5.0,
        max_value=15.0,
        value=7.5,
        step=0.5,
        help="数值越高，生成画作越遵循你的描述，但可能降低创造性；数值越低则反之。"
    )

    # 凝光步数（采样步数）
    num_inference_steps = st.slider(
        "凝光步数",
        min_value=20,
        max_value=50,
        value=30,
        step=5,
        help="步数越多，细节越丰富，但生成时间越长。"
    )

    # 随机种子（用于复现）
    seed = st.number_input(
        "随机种子 (留空则随机)",
        min_value=0,
        max_value=2**32 - 1,
        value=None,
        placeholder="输入一个数字以复现相同画作",
        help="相同的种子和输入将产生相同的输出。"
    )

    st.markdown("---")
    st.markdown("### 🕯️ 技术注记")
    st.caption(f"当前画幅：{width} x {height}")
    st.caption("内核：Stable Diffusion XL 1.0")
    st.caption("采样：DPM++ 2M Karras")

# ------------------ 主页面：灵感捕捉空间 ------------------
st.markdown("# 🎨 灵感画廊 · Atelier of Light and Shadow")
st.markdown("> **见微知著，凝光成影。将梦境的碎片，凝结为永恒的视觉诗篇。**")

# 初始化 session state，用于保存生成历史
if 'generated_images' not in st.session_state:
    st.session_state.generated_images = []

# 创建两列布局：输入区和画廊区
col_input, col_gallery = st.columns([1, 1])

with col_input:
    st.markdown("### 📜 捕捉梦境")
    # 梦境描述（正向提示词）
    prompt = st.text_area(
        "**梦境描述**",
        height=150,
        placeholder="在此轻声描述你心中的画面...\n例如：『晨雾笼罩的竹林深处，一位身着素衣的琴师抚琴，几缕阳光穿透竹叶，尘埃在光柱中舞动。』",
        help="用描述性、感受性的语言勾勒你想要的画面。"
    )
    # 尘杂规避（反向提示词）
    negative_prompt = st.text_area(
        "**尘杂规避**",
        height=100,
        placeholder="写下你希望画面避免的元素...\n例如：『模糊，扭曲，畸形的手，多余的手指，丑陋，画质差，水印，文字。』",
        help="列出不希望出现在画作中的元素，以获得更纯净的结果。"
    )

    # 根据选择的意境预设，增强提示词
    preset_map = {
        "无": "",
        "影院余晖 (Cinematic Sunset)": "cinematic lighting, dramatic sunset, golden hour, volumetric rays, film grain, anamorphic lens flare, ",
        "浮世幻象 (Ukiyo Fantasy)": "ukiyo-e style, woodblock print, flat colors, elegant lines, traditional japanese art, ",
        "纪实瞬间 (Documentary Moment)": "documentary photography, 35mm film, grainy, candid, natural lighting, street photography, authentic, ",
        "水墨诗意 (Ink Wash)": "chinese ink painting, watercolor wash, brush strokes, minimalist, monochromatic, serene, ",
        "赛博霓虹 (Cyber Neon)": "cyberpunk, neon lights, rainy night, tokyo street, futuristic, synthwave, vibrant colors, "
    }
    enhanced_prompt = preset_map[preset] + prompt if preset != "无" else prompt

    # '挥笔成画'按钮
    generate_button = st.button("🚀 **挥笔成画**", use_container_width=True, type="primary")

with col_gallery:
    st.markdown("### 🖼️ 光影浮现")
    image_placeholder = st.empty()
    status_placeholder = st.empty()

    # 显示最近的生成历史
    if st.session_state.generated_images:
        st.markdown("#### 📜 创作履迹")
        # 以缩略图形式展示最近 3 张作品
        cols_history = st.columns(min(3, len(st.session_state.generated_images)))
        for idx, (img, desc) in enumerate(st.session_state.generated_images[-3:]):
            with cols_history[idx]:
                st.image(img, width=150, caption=desc[:30] + "..." if len(desc) > 30 else desc)

# ------------------ 图像生成逻辑 ------------------
if generate_button and prompt:
    with status_placeholder:
        with st.spinner("🕯️ 光影正在凝结，请静候片刻..."):
            try:
                # 1. 获取模型管道（单例模式，避免重复加载）
                @st.cache_resource
                def load_model():
                    loader = get_model_loader()  # 默认使用 Hugging Face 模型 ID
                    return loader.load_pipeline()

                pipe = load_model()

                # 2. 准备生成参数
                generator = None
                if seed is not None:
                    generator = torch.Generator(device="cuda" if torch.cuda.is_available() else "cpu").manual_seed(int(seed))

                # 3. 调用模型生成图像
                start_time = time.time()
                image = pipe(
                    prompt=enhanced_prompt,
                    negative_prompt=negative_prompt,
                    width=width,
                    height=height,
                    guidance_scale=guidance_scale,
                    num_inference_steps=num_inference_steps,
                    generator=generator
                ).images[0]
                gen_time = time.time() - start_time

                # 4. 显示结果
                image_placeholder.image(image, use_column_width=True, caption=f"『{prompt[:50]}...』")
                status_placeholder.success(f"✨ 画作凝结完成！耗时 {gen_time:.1f} 秒")

                # 5. 保存到 session state 和历史记录
                st.session_state.generated_images.append((image, prompt))

                # 6. 提供下载按钮
                buf = io.BytesIO()
                image.save(buf, format="PNG")
                byte_im = buf.getvalue()
                st.download_button(
                    label="💾 珍藏此作",
                    data=byte_im,
                    file_name=f"inspiration_{int(time.time())}.png",
                    mime="image/png",
                    use_container_width=True
                )
            except Exception as e:
                status_placeholder.error(f"❌ 光影消散，创作中断：{str(e)}")
elif generate_button and not prompt:
    st.warning("请先输入梦境描述。")

# ------------------ 页脚 ------------------
st.markdown("---")
st.markdown("""
<div style="font-family: 'Noto Serif SC', serif;">
<p>灵感之外，皆为光影。</p>
<p><em>由匠心凝炼而成</em></p>
</div>
""", unsafe_allow_html=True)

代码亮点解读：

1. 样式深度定制：通过 Streamlit 的 st.markdown 注入自定义 CSS，彻底改变了默认的科技感界面，实现了宣纸色调、衬线字体等设计元素。
2. 交互语义重塑：所有界面文字都经过了精心翻译，将技术参数转化为文艺表达，降低了用户的心理门槛。
3. 意境预设系统：preset_map 将风格名称映射为一组高质量的关键词。当用户选择'影院余晖'时，这些关键词会自动前置到用户的'梦境描述'前，极大地提升了出图质量的一致性。
4. 生成历史与状态管理：利用 Streamlit 的 st.session_state 来保存用户生成的历史图片，并在侧边栏展示，增强了应用的实用性和沉浸感。
5. 性能优化：使用 @st.cache_resource 装饰器缓存模型加载结果。这意味着模型只在应用启动或第一次调用时加载，后续生成请求会非常快。

云端部署：在阿里云 PAI-EAS 上安家

让应用在本地运行只是第一步。要让它成为一个随时可访问的稳定服务，我们需要将其部署到云端。阿里云 PAI-EAS（弹性算法服务）是一个非常适合托管 AI 模型推理服务的平台。

部署前置准备：容器化

PAI-EAS 通过容器来运行服务。我们需要将'灵感画廊'打包成一个 Docker 镜像。

1. 创建 Dockerfile

# Dockerfile
# 使用带有 CUDA 的 PyTorch 基础镜像，确保 GPU 支持
FROM pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime

# 设置工作目录
WORKDIR /app

# 复制依赖列表并安装
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 复制应用代码
COPY . .

# 暴露 Streamlit 默认端口
EXPOSE 8501

# 设置健康检查（可选但推荐）
HEALTHCHECK --interval=30s --timeout=10s --start-period=30s --retries=3 \
    CMD python -c "import socket; s = socket.socket(socket.AF_INET, socket.SOCK_STREAM); s.settimeout(2); result = s.connect_ex(('localhost', 8501)); s.close(); exit(result)"

# 启动命令：运行 Streamlit 应用，并允许外部访问
CMD ["streamlit", "run", "app.py", "--server.port=8501", "--server.address=0.0.0.0"]

2. 创建部署配置文件 (service.json)

PAI-EAS 通过一个 JSON 配置文件来定义服务规格。这是最关键的一步。

{
  "name": "inspiration-atelier-sdxl",
  "processor_entry": "./app.py",
  "metadata": {
    "cpu": 8,
    "memory": 32768,
    "instance": 1,
    "rpc": {
      "worker": 1
    }
  },
  "cloud": {
    "computing": {
      "instance_type": "ecs.gn6i-c8g1.2xlarge"
    }
  },
  "model_path": "https://your-model-hub-or-oss-path/sdxl-base-1.0"
}

配置详解：

• name: 服务的唯一标识。
• processor_entry: 服务启动的入口文件。
• metadata:
  • cpu/memory: 申请的 CPU 和内存资源。SDXL 推理是 GPU 密集型，但 CPU 和内存也需要足够（这里示例为 8 核 32GB）。
  • instance: 实例数量，设置为 1 即单实例运行。如需高可用可增加。
• cloud.computing.instance_type: 这是关键。指定了使用的 ECS 实例规格。ecs.gn6i-c8g1.2xlarge 是一种配备 NVIDIA T4 GPU（16GB 显存）的实例，性价比较高，适合 SDXL 推理。你也可以选择 V100、A10 等更高性能的 GPU 实例。
• model_path: 模型存放路径。这里可以填写 Hugging Face 的模型 ID（如 stabilityai/stable-diffusion-xl-base-1.0），EAS 会在启动时自动下载。对于生产环境，强烈建议先将模型权重上传到阿里云 OSS，然后填写 OSS 路径，这样拉取速度更快、更稳定。

通过 PAI 控制台部署（可视化操作）

对于不熟悉命令行的用户，PAI 控制台提供了直观的部署方式：

1. 登录与导航：登录阿里云 PAI 控制台，在左侧导航栏选择模型部署 > 模型在线服务（EAS）。
2. 创建服务：点击'创建服务'。
3. 上传代码与配置：
   • 在'部署方式'选择镜像。
   • 将你的项目代码（app.py, model_loader.py, requirements.txt 等）打包成 ZIP 文件上传。
   • 在'镜像地址'中，你可以选择'自定义镜像'，如果你已经将 Docker 镜像推送到了阿里云容器镜像服务（ACR）。更简单的方式是选择'官方基础镜像'（如 PyTorch），然后在'启动命令'中填写 pip install -r requirements.txt && streamlit run app.py --server.port=8501 --server.address=0.0.0.0。
4. 资源配置：
   • 在'资源组'选择你已购买 GPU 资源的资源组。
   • 在'资源配置'中，选择我们前面提到的 ecs.gn6i-c8g1.2xlarge 或你需要的其他 GPU 规格。
5. 高级设置：
   • 在'服务端口'中，添加一个端口映射，容器端口和服务端口都填 8501（Streamlit 默认端口）。
6. 部署与测试：填写服务名称，点击'部署'。等待几分钟，服务状态变为'运行中'后，点击'公网地址'或'内网地址'后的链接，即可在浏览器中打开你的'灵感画廊'。

部署后优化与监控

服务上线后，工作并未结束。

• 性能监控：在 PAI-EAS 控制台的服务详情页，可以监控 GPU 使用率、内存使用量、请求延迟等关键指标。如果发现 GPU 持续高负载，可以考虑升级实例规格；如果请求量很大，可以增加实例数量以实现负载均衡。
• 成本控制：PAI-EAS 按实例运行时间计费。如果服务只是间歇性使用，可以设置'弹性伸缩'策略，在无请求时自动缩容到 0 实例以节省成本，有请求时再快速扩容。
• 安全考虑：生产环境务必为服务配置访问密码（Token）。可以在 Streamlit 启动命令中添加 --server.fileWatcherType none --browser.serverAddress 0.0.0.0 --server.headless true，并在环境变量中设置 STREAMLIT_SERVER_ADDRESS 和 STREAMLIT_SERVER_PORT。更佳实践是在 EAS 服务前配置一个 API 网关，进行认证、限流和日志管理。

总结：从部署到创作

回顾整个过程，我们完成了一次从原始 AI 模型到优雅生产服务的完整旅程：

1. 概念重塑：我们将 Stable Diffusion XL 从一个'模型'重新定义为'灵感画廊'，一个专注于捕捉灵感的艺术空间。这不仅仅是改名，而是通过 UI/UX 的全面设计，改变了用户与 AI 交互的心智模型。
2. 技术实现：我们使用 Streamlit 快速构建了富有美感的 Web 界面，并通过 diffusers 库高效地集成了 SDXL 1.0 模型。代码结构清晰，将模型加载、界面逻辑和业务处理进行了合理分离。
3. 云端封装：通过容器化和阿里云 PAI-EAS 服务，我们将这个应用变成了一个稳定、可扩展、随时可访问的云端服务。我们详细讨论了资源配置、部署流程和后续的优化监控要点。

灵感画廊的价值在于它降低了高级 AI 创作工具的使用门槛。用户无需理解'潜在扩散模型'、'采样器'、'CFG 尺度'这些术语，只需要用自然的语言去'描述梦境'，用直观的选项去'规制画布'。技术被完美地隐藏在了优雅的体验之后。

现在，你的专属'灵感画廊'已经上线。它不再是你本地电脑中一个需要复杂命令启动的程序，而是一个可以通过任何浏览器访问的云端艺术沙龙。你可以邀请志同道合的朋友一起来此创作，也可以将其作为一项微服务，集成到你更大的创意工作流中。

技术的终点，应该是感受不到技术的存在，而完全沉浸在创作本身。希望'灵感画廊'能成为你捕捉那些转瞬即逝的灵感碎片的得力空间。