Hugging Face's logo

Diffusers 文档

分布式推理

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

分布式推理

在分布式设置中，您可以跨多个 GPU 运行推理，使用 🤗 Accelerate 或 PyTorch Distributed，这对于并行生成多个提示非常有用。

本指南将向您展示如何使用 🤗 Accelerate 和 PyTorch Distributed 进行分布式推理。

🤗 Accelerate

🤗 Accelerate 是一个旨在简化跨分布式设置进行训练或运行推理的库。它简化了分布式环境的设置过程，使您能够专注于您的 PyTorch 代码。

首先，创建一个 Python 文件并初始化一个 accelerate.PartialState 以创建分布式环境；您的设置会被自动检测到，因此您无需显式定义 rank 或 world_size。将 DiffusionPipeline 移动到 distributed_state.device 以将 GPU 分配给每个进程。

现在使用 split_between_processes 实用程序作为上下文管理器，以在进程数量之间自动分配提示。

import torch
from accelerate import PartialState
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16, use_safetensors=True
)
distributed_state = PartialState()
pipeline.to(distributed_state.device)

with distributed_state.split_between_processes(["a dog", "a cat"]) as prompt:
    result = pipeline(prompt).images[0]
    result.save(f"result_{distributed_state.process_index}.png")

使用 --num_processes 参数指定要使用的 GPU 数量，并调用 accelerate launch 运行脚本

accelerate launch run_distributed.py --num_processes=2

请参阅这个最小示例 脚本，了解如何在多个 GPU 上运行推理。要了解更多信息，请查看 使用 🤗 Accelerate 进行分布式推理 指南。

PyTorch Distributed

PyTorch 支持 DistributedDataParallel，它启用数据并行。

首先，创建一个 Python 文件并导入 torch.distributed 和 torch.multiprocessing 以设置分布式进程组，并在每个 GPU 上生成用于推理的进程。您还应该初始化一个 DiffusionPipeline

import torch
import torch.distributed as dist
import torch.multiprocessing as mp

from diffusers import DiffusionPipeline

sd = DiffusionPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16, use_safetensors=True
)

您需要创建一个函数来运行推理；init_process_group 处理创建分布式环境，包括要使用的后端类型、当前进程的 rank 以及参与进程的 world_size 或数量。如果您在 2 个 GPU 上并行运行推理，则 world_size 为 2。

将 DiffusionPipeline 移动到 rank 并使用 get_rank 为每个进程分配一个 GPU，其中每个进程处理不同的提示

def run_inference(rank, world_size):
    dist.init_process_group("nccl", rank=rank, world_size=world_size)

    sd.to(rank)

    if torch.distributed.get_rank() == 0:
        prompt = "a dog"
    elif torch.distributed.get_rank() == 1:
        prompt = "a cat"

    image = sd(prompt).images[0]
    image.save(f"./{'_'.join(prompt)}.png")

要运行分布式推理，请调用 mp.spawn 以在 world_size 中定义的 GPU 数量上运行 run_inference 函数

def main():
    world_size = 2
    mp.spawn(run_inference, args=(world_size,), nprocs=world_size, join=True)


if __name__ == "__main__":
    main()

完成推理脚本后，使用 --nproc_per_node 参数指定要使用的 GPU 数量，并调用 torchrun 运行脚本

torchrun run_distributed.py --nproc_per_node=2

您可以在 DiffusionPipeline 中使用 device_map 将其模型级组件分布在多个设备上。请参阅 设备放置 指南以了解更多信息。

模型分片

现代扩散系统（如 Flux）非常庞大，并且具有多个模型。例如，Flux.1-Dev 由两个文本编码器（T5-XXL 和 CLIP-L）、一个 扩散 Transformer 和一个 VAE 组成。对于如此大型的模型，在消费级 GPU 上运行推理可能具有挑战性。

模型分片是一种在模型不适合单个 GPU 时将模型分布在多个 GPU 上的技术。以下示例假设有两个 16GB GPU 可用于推理。

首先，使用文本编码器计算文本嵌入。通过设置 device_map="balanced" 将文本编码器保留在两个 GPU 上。balanced 策略将模型均匀地分布在所有可用的 GPU 上。使用 max_memory 参数为每个 GPU 上的每个文本编码器分配最大内存量。

在此步骤中仅加载文本编码器！扩散 Transformer 和 VAE 在后续步骤中加载，以节省内存。

from diffusers import FluxPipeline
import torch

prompt = "a photo of a dog with cat-like look"

pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    transformer=None,
    vae=None,
    device_map="balanced",
    max_memory={0: "16GB", 1: "16GB"},
    torch_dtype=torch.bfloat16
)
with torch.no_grad():
    print("Encoding prompts.")
    prompt_embeds, pooled_prompt_embeds, text_ids = pipeline.encode_prompt(
        prompt=prompt, prompt_2=None, max_sequence_length=512
    )

计算出文本嵌入后，将其从 GPU 中移除，为扩散 Transformer 腾出空间。

import gc 

def flush():
    gc.collect()
    torch.cuda.empty_cache()
    torch.cuda.reset_max_memory_allocated()
    torch.cuda.reset_peak_memory_stats()

del pipeline.text_encoder
del pipeline.text_encoder_2
del pipeline.tokenizer
del pipeline.tokenizer_2
del pipeline

flush()

接下来加载具有 125 亿参数的扩散 Transformer。这次，设置 device_map="auto" 以自动将模型分布在两个 16GB GPU 上。auto 策略由 Accelerate 支持，并且是 大型模型推理 功能的一部分。它首先尝试将模型分布在最快的设备（GPU）上，然后再移动到较慢的设备（如 CPU 和硬盘驱动器，如果需要）。将模型参数存储在较慢设备上的权衡是推理延迟会更长。

from diffusers import FluxTransformer2DModel
import torch 

transformer = FluxTransformer2DModel.from_pretrained(
    "black-forest-labs/FLUX.1-dev", 
    subfolder="transformer",
    device_map="auto",
    torch_dtype=torch.bfloat16
)

在任何时候，您都可以尝试 print(pipeline.hf_device_map) 来查看各种模型在设备之间的分布情况。这对于跟踪模型的设备放置非常有用。您也可以尝试 print(transformer.hf_device_map) 来查看 Transformer 模型如何在设备之间分片。

将 Transformer 模型添加到 pipeline 中进行去噪，但将其他模型级组件（如文本编码器和 VAE）设置为 None，因为您尚不需要它们。

pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    text_encoder=None,
    text_encoder_2=None,
    tokenizer=None,
    tokenizer_2=None,
    vae=None,
    transformer=transformer,
    torch_dtype=torch.bfloat16
)

print("Running denoising.")
height, width = 768, 1360
latents = pipeline(
    prompt_embeds=prompt_embeds,
    pooled_prompt_embeds=pooled_prompt_embeds,
    num_inference_steps=50,
    guidance_scale=3.5,
    height=height,
    width=width,
    output_type="latent",
).images

从内存中移除 pipeline 和 Transformer，因为它们不再需要。

del pipeline.transformer
del pipeline

flush()

最后，使用 VAE 将潜在空间解码为图像。VAE 通常足够小，可以加载到单个 GPU 上。

from diffusers import AutoencoderKL
from diffusers.image_processor import VaeImageProcessor
import torch 

vae = AutoencoderKL.from_pretrained(ckpt_id, subfolder="vae", torch_dtype=torch.bfloat16).to("cuda")
vae_scale_factor = 2 ** (len(vae.config.block_out_channels))
image_processor = VaeImageProcessor(vae_scale_factor=vae_scale_factor)

with torch.no_grad():
    print("Running decoding.")
    latents = FluxPipeline._unpack_latents(latents, height, width, vae_scale_factor)
    latents = (latents / vae.config.scaling_factor) + vae.config.shift_factor

    image = vae.decode(latents, return_dict=False)[0]
    image = image_processor.postprocess(image, output_type="pil")
    image[0].save("split_transformer.png")

通过选择性地加载和卸载在给定阶段所需的模型，并将最大的模型分片到多个 GPU 上，可以在消费级 GPU 上运行大型模型的推理。

< > 在 GitHub 上更新

←创建服务器 合并 LoRA→