本文假设读者对Linux、PyTorch有一定的了解，对AI绘画的原理有一定了解。
前言
网上对Intel Arc A770的风评不太好，评论基本上都说这张卡“性能不如同等级的N卡“、“驱动不完善”、“未来可期未来买”。但是综合考虑了一下我的需求，我还是决定无视这糟糕的风评，入手这张卡。这卡有几个优点：
16GB显存（同级别的N卡基本上显存都没它大）
Linux下驱动支持良好（前提是内核版本6.2+，对比起来，N卡在Linux下用十分痛苦）
没有矿
价格已经初具性价比了，非公版现在只要2000出头，二手应该会更便宜
性能可能确实一般，但是对我而言够用
驱动已经逐渐完善了
AV1编码（虽然PR不支持，但是kdenlive支持）
随着Intel在去年发布了Intel Extensions For Pytorch（IPEX），用A770进行机器学习，也并非不可能。
故为了充分利用我手上的这张卡，我打算来试试AI绘图、AI音色替换、自己部署ChatGLM之类的玩法。但正如标题，本文只涉及AI绘图。
配置基本环境
我个人使用的环境如下：
-` nth233@lune
.o+` -----------
`ooo/ OS: Arch Linux x86_64
`+oooo: Kernel: 6.4.12-arch1-1
`+oooooo: Uptime: 32 mins
-+oooooo+: Packages: 1503 (pacman), 16 (flatpak)
`/:-:++oooo+: Shell: zsh 5.9
`/++++/+++++++: Resolution: 2560x1440
`/++++++++++++++: DE: GNOME 44.4
`/+++ooooooooooooo/` WM: Mutter
./ooosssso++osssssso+` WM Theme: Adwaita
.oossssso-````/ossssss+` Theme: Adwaita [GTK2/3]
-osssssso. :ssssssso. Icons: Adwaita [GTK2/3]
:osssssss/ osssso+++. Terminal: kgx
/ossssssss/ +ssssooo/- CPU: AMD Ryzen 5 5600G with Radeon Graphics (12) @ 3.900GHz
`/ossssso+/:- -:/+osssso+- GPU: AMD ATI Radeon Vega Series / Radeon Vega Mobile Series
`+sso+:-` `.-/+oso: GPU: Intel DG2 [Arc A770]
`++:. `-/+/ Memory: 3503MiB / 15275MiB
.` `/
其中有几个要点：
用Linux或WSL2。Windows我没有尝试过，因此请参照官方文档。
确保内核版本 >= 6.2（目前Arch Linux的lts内核还只是6.1）
IPEX只支持Ubuntu 22.04，但是实测用Arch Linux应该也没问题。如果求稳，可以用Docker。建议第一次尝试使用Docker，比较省心。
确保内核版本足够高，这点特别重要！
安装intel oneapi相关的工具。
# pacman -S intel-compute-runtime-bin intel-oneapi-basekit intel_gpu_tools
intel_gpu_tools提供了intel_gpu_top这类工具，可以比较方便地查看显卡的占用情况。
似乎安装以上的包就已经足够了。但为了以防万一，确保读者可以复现，我这里列出我安装的所有和intel有关的包。
$ pacman -Qs intel
local/intel-compute-runtime-bin 23.22.26516.18-1
Intel Graphics Compute Runtime for oneAPI Level Zero and OpenCL Driver (pre-compiled binaries)
local/intel-gpu-tools 1.27-2
Tools for development and testing of the Intel DRM driver
local/intel-graphics-compiler-bin 1:1.0.14062.11-1
Intel Graphics Compiler for OpenCL (pre-compiled binaries)
local/intel-media-driver 23.3.1-1
Intel Media Driver for VAAPI — Broadwell+ iGPUs
local/intel-oneapi-basekit 2023.2.0.49397-1
Intel oneAPI Base Toolkit for Linux
local/libmfx 23.2.2-2
Intel Media SDK dispatcher library
local/libva-utils 2.19.0-1
Intel VA-API Media Applications and Scripts for libva
local/onetbb 2021.9.0-1
High level abstract threading library (oneAPI Threading Building Blocks)
local/openimagedenoise 1.4.3-1
Intel(R) Open Image Denoise library
local/openpgl 0.5.0-5
Intel Open Path Guiding Library
local/vulkan-intel 1:23.1.6-4
Intel's Vulkan mesa driver
使用Docker
首先，安装Docker，并且启用docker服务。
# pacman -S docker
# sudo systemctl start docker
拉取Intel官方的docker映像（image）
# docker pull intel/intel-extension-for-pytorch:xpu-flex-2.0.110-xpu
运行映像。
# docker run --rm -it --privileged --device=/dev/dri --ipc=host <image_name>:<tag> bash
然后检查一下是否能跑。在docker里运行以下代码，看能否正确输出IPEX的版本、显卡设备的信息。
$ python -c "import torch; import intel_extension_for_pytorch as ipex; print(torch.__version__); print(ipex.__version__); [print(f'[{i}]: {torch.xpu.get_device_properties(i)}') for i in range(torch.xpu.device_count())];"
到此为止，环境就配好了。
不使用Docker
确保安装了Python 3.11和对应的python-pip。
cd到一个合适的地方，然后创建Python虚拟环境，随后启用虚拟环境。
$ cd ~/workspace/intel_draw
$ python -m venv venv
$ source ./venv/bin/activate
到下载Python 3.11对应版本的PyTorch、torchvison和IPEX的whl文件。截至9月3日，是下面这三个。
torch-2.0.1a0+cxx11.abi-cp311-cp311-linux_x86_64.whl
torchvision-0.15.2a0+cxx11.abi-cp311-cp311-linux_x86_64.whl
intel_extension_for_pytorch-2.0.110+xpu-cp311-cp311-linux_x86_64.whl
然后一一使用pip装到虚拟环境中。
$ pip install torch-2.0.1a0+cxx11.abi-cp311-cp311-linux_x86_64.whl
$ pip install torchvision-0.15.2a0+cxx11.abi-cp311-cp311-linux_x86_64.whl
$ pip install intel_extension_for_pytorch-2.0.110+xpu-cp311-cp311-linux_x86_64.whl
然后，配置必要的环境变量。Intel提供了一个脚本，我这里是在/opt/intel/oneapi下面，执行这一脚本即可。之后每次使用IPEX前，都要先执行这一脚本。
$ source /opt/intel/oneapi/setvars.sh
然后运行以下代码，看能否正确输出IPEX的版本、显卡设备的信息。
$ python -c "import torch; import intel_extension_for_pytorch as ipex; print(torch.__version__); print(ipex.__version__); [print(f'[{i}]: {torch.xpu.get_device_properties(i)}') for i in range(torch.xpu.device_count())];"
如果需要使用Python 3.10或者更老的版本，可以conda创建虚拟环境，同时环境时指定Python版本。
conda create -n intel_draw python==3.10.13启用这个刚刚创建的
intel_draw环境，然后再从头开始配置环境。注意Python 3.10对应的whl文件和3.11不同，注意检查。
到此为止，基本的环境就配好了。
配置ComfyUI
Stable Diffusion WebUI虽然是最流行的WebUI，但它的没有直接支持Intel独显。虽有几个fork支持Intel独显，但是更新不如原项目勤快。所以我还是选择把intel独显支持整合进主分支的ComfyUI。
其实也可以不使用任何的WebUI，直接自己手动调用模型，可能还更简单一些。
把comfyui的仓库克隆到本地。这里是放在~/workspace/ComfyUI
$ git clone https://github.com/comfyanonymous/ComfyUI
然后启用刚才配置好的基本环境。
如果使用的是docker，启动容器的命令要添加几个选项。如下（注意根据自己的实际情况进行改动）：
# docker run --rm -it -v /home/nth233/workspace/ComfyUI:/opt/sd -p 8188:8188 --privileged --device=/dev/dri --ipc=host <image_name>:<tag> bash
-v是把我们刚刚克隆下来的ComfyUI的代码映射到docker容器中。-p是为了之后能够访问容器中运行的ComfyUI服务端，进行端口映射。
安装ComfyUI所需的基本依赖，在~/workspace/ComfyUI（如果使用docker，按照上面的命令启动，那么是/opt/sd）下，执行：
$ pip install -r requirements.txt
然后就可以启动ComfyUI了。
$ python main.py --listen 0.0.0.0 --use-split-cross-attention
然后可在浏览器中打开localhost:8188，即可看到ComfyUI。
下载模型
目前比较流行的是Stable Diffusion 1.5，因此我们以此为例。
从huggingface上下载Stable
Diffusion
1.5的checkpoint（如图）。下载完之后，放到ComfyUI/models/checkpoints下。
读者还可以根据需要，下载其他模型的checkpoint放进来选用。如果有需要，还可以上civitai上下载各种各样的LoRA模型，放到lora文件夹下面。ControlNet同理
然后，参考ComfyUI的文档和示例，就可以开始画图了。
结果
结果还行。但是似乎画图速度不算太快。但是不知是什么原因，intel这卡没法长宽太大的图，如果需要生成大图，可以考虑先生成小图，然后其他的模型超分辨率到高清大图。