解除diffusers库的prompt长度限制（SDXL版）

 2025-5-21 注：本文只提供思路，没有解决“权重识别”、“BREAK”问题。

要想实现与webui一样的绘图效果与无限prompt，可参考diffusers/examples/community/lpw_stable_diffusion_xl.py

1、上代码

from diffusers import StableDiffusionXLPipeline,EulerAncestralDiscreteScheduler

# 1. 加载模型
config_path = "anime_illust_diffusion_xl"
model_id="anime_illust_diffusion_xl/animeIllustDiffusion_v08.safetensors"
pipe = StableDiffusionXLPipeline.from_single_file(
    model_id, 
    dtype=torch.bfloat16,
    config=config_path,
    local_files_only=True)

pipe = pipe.to("cuda") 

# 2. 准备输入图像和提示词
#======================================
clip_skip = 1

prompt = 40 * "1girl, solo, black background,(best quality:1.5)" # 超出77长度限制
negative_prompt = "worst quality, low quality, multi views"

max_length = pipe.tokenizer.model_max_length
tokenizers = [pipe.tokenizer,pipe.tokenizer_2]
text_encoders = [pipe.text_encoder,pipe.text_encoder_2]
prompts = [prompt,prompt]
negative_prompts = [negative_prompt,negative_prompt]

prompt_embeds_list = []
negative_prompt_embeds_list= []

for prompt,negative_prompt, tokenizer, text_encoder in zip(prompts,negative_prompts, tokenizers, text_encoders):
    input_ids = tokenizer(prompt, return_tensors="pt").input_ids
    input_ids = input_ids.to("cuda")
    negative_ids =tokenizer(negative_prompt, truncation=False, padding="max_length", max_length=input_ids.shape[-1], return_tensors="pt").input_ids                                                                                                     
    negative_ids = negative_ids.to("cuda")
    
    # 分段处理prompt
    concat_embeds = [] 
    neg_embeds = []
    for i in range(0, input_ids.shape[-1], max_length):
        embeds_1 = text_encoder(input_ids[:, i: i + max_length], output_hidden_states=True)
        pooled_prompt_embeds = embeds_1[0]
        concat_embeds.append(embeds_1.hidden_states[-(clip_skip+2)])
        
        embeds_2 = text_encoder(negative_ids[:, i: i + max_length],output_hidden_states=True)
        negative_pooled_prompt_embeds = embeds_2[0]
        neg_embeds.append(embeds_2.hidden_states[-2])
        

    # 拼接text_encoder结果
    # 例：(1,77,768)+(1,22,768) = (1,99,768)
    prompt_embeds = torch.cat(concat_embeds, dim=1)
    negative_prompt_embeds = torch.cat(neg_embeds, dim=1)
    
    prompt_embeds_list.append(prompt_embeds)
    negative_prompt_embeds_list.append(negative_prompt_embeds)

# 拼接两个text_encoder的特征
# 例：(1,99,768)+(1,99,1280) = (1,99,2048)
prompt_embeds = torch.concat(prompt_embeds_list, dim=-1)
negative_prompt_embeds = torch.concat(negative_prompt_embeds_list, dim=-1)

#=====================================

# 3. 设置生成参数
num_inference_steps = 28  # 推理步数，可根据需要调整
guidance_scale = 7     # 引导比例，控制生成图像与提示的匹配程度
generator = torch.Generator("cuda").manual_seed(31)
 


# 4. 执行生成
with torch.no_grad():
    images = pipe(
        #prompt=prompt,
        #negative_prompt=negative_prompt,
        prompt_embeds = prompt_embeds, 
        pooled_prompt_embeds = pooled_prompt_embeds,
        negative_prompt_embeds = negative_prompt_embeds, 
        negative_pooled_prompt_embeds = negative_pooled_prompt_embeds,
        height = 1216,
        width= 832,
        num_inference_steps=num_inference_steps,
        guidance_scale=guidance_scale,
        clip_skip=clip_skip,
        num_images_per_prompt=2,
        generator = generator
    ).images

print(type(images))
# 5. 保存结果
for id in range(len(images)):
    images[id].save(f"output_image_{id}.png")

 2、分析

需要准备下面四样东西：

        prompt_embeds   # 正向提示词编码

        pooled_prompt_embeds   # 正向提示词编码的全局池化

        negative_prompt_embeds   # 负向提示词编码

        negative_pooled_prompt_embeds   # 负向提示词的全局池化

前置知识：

1. sdxl有两个text_encoder，不妨设为t1,t2：

        将prompt输入t1，得到768维的数据；输入t2，得到1280维的数据

        最后送入Unet进行cross_attention的，是拼接后2048维的数据

        t1、t2的输入限制了大小，最大为77

2. pooled_prompt_embeds，这玩意的原理我不懂，不过生成方式在上面代码里有写

解决方案

把长度为99的prompt，拆分为77+22，分别输入text_encoder，然后将结果拼接