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,您可以使用 🤗 AcceleratePyTorch Distributed 在多个GPU上运行推理,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训练或运行推理的库。它简化了分布式环境的设置过程,让您可以专注于PyTorch代码。

首先,创建一个Python文件并初始化一个accelerate.PartialState 来创建分布式环境;您的设置会自动检测,因此您无需显式定义 rankworld_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 工具作为上下文管理器,自动在进程之间分配提示。

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

有关在多个GPU上运行推理的最小示例 脚本,请参阅此内容。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,该功能支持数据并行。

首先,创建一个Python文件并导入torch.distributedtorch.multiprocessing来设置分布式进程组,并为每个GPU上的推理生成进程。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负责创建一个分布式环境,包含要使用的后端类型、当前进程的rank以及world_size(参与进程的数量)。如果您在2个GPU上并行运行推理,那么world_size为2。

DiffusionPipeline 移动到 rank,并使用 get_rank 将一个 GPU 分配给每个进程,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,以便在 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 来在多个设备上分布式其模型级组件。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,例如Flux,非常庞大且包含多个模型。例如,Flux.1-Dev由两个文本编码器——T5-XXLCLIP-L——一个扩散Transformer和一个VAE组成。对于如此大的模型,在消费级GPU上运行推理可能具有挑战性。

模型分片是一种技术,当模型无法适应单个 GPU 时,它将模型分布在多个 GPU 上。以下示例假设有两个 16GB 的 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" 将文本编码器保持在两个 GPU 上。balanced 策略将模型均匀分布在所有可用的 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。

在此步骤中加载文本编码器!扩散 Transformer 和 VAE 将在稍后的步骤中加载,以保留内存。

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12.5B参数的扩散Transformer。这次,设置device_map="auto"以自动将模型分发到两个16GB GPU上。auto策略由Accelerate支持,并作为大模型推理功能的一部分提供。它首先将模型分发到最快的设备(GPU),然后在需要时移动到较慢的设备,如CPU和硬盘。将模型参数存储在较慢的设备上的缺点是推理延迟较慢。

from diffusers import AutoModel
import torch 

transformer = AutoModel.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) 来查看各个模型是如何分布在设备上的。这对于跟踪模型的设备放置很有用。您还可以尝试 print(transformer.hf_device_map) 来查看 transformer 模型是如何在设备上分片的。

将 Transformer 模型添加到管道中进行去噪,但将其他模型级组件(如文本编码器和 VAE)设置为 None,因为暂时不需要它们。

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

将管道和 transformer 从内存中移除,因为它们不再需要。

del pipeline.transformer
del pipeline

flush()

最后,用 VAE 将潜在变量解码为图像。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给定阶段所需的模型,并将最大模型分片到多个 GPU 上,可以在消费级 GPU 上运行大型模型推理。

< > 在 GitHub 上更新