Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /optimization /device_map.md

mishig

3 days ago

preview code

download

raw

4.7 kB

# Distribuir los componentes del modelo entre GPUs con device_map
El argumento `device_map` coloca los componentes del modelo en GPUs separadas. Úsalo cuando un modelo no quepa en una sola GPU y tus GPUs no cuenten con un interconexión rápida. Consulta [Inferencia distribuida](../training/distributed_inference) para compararlo con las demás estrategias, y [Colocación de dispositivos](./memory#device-placement) para más opciones de `device_map`.
El ejemplo siguiente carga cada componente solo para la etapa que lo necesita y usa `device_map` para distribuir los más grandes entre dos GPUs.

## Codificar el prompt

Establezca `device_map="balanced"` para colocar los codificadores de texto en GPUs separadas. Use `max_memory` para limitar la cantidad de memoria que utiliza cada GPU. Establezca `transformer` y `vae` en `None` para que solo se carguen los codificadores de texto.

```py
from diffusers import FluxPipeline
import torch
prompt = """
cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
"""
pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    transformer=None,
    vae=None,
    device_map="balanced",
    max_memory={0: "16GB", 1: "16GB"},
    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
    )
```

Una vez que tengas los embeddings de texto, elimina los codificadores de texto de la GPU para hacer espacio para el transformer.

```py
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()
```

## Denoise con el transformer fragmentado

Establezca `device_map="auto"` para que Accelerate coloque el transformer. Llena la primera GPU antes de pasar a la siguiente y solo utiliza la CPU o el disco cuando las GPUs se quedan sin memoria. En dos GPUs más pequeñas, el transformer queda dividido entre ambas. Los pesos en la CPU o en el disco ralentizan la inferencia.

```py
from diffusers import AutoModel
import torch
transformer = AutoModel.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    subfolder="transformer",
    device_map="auto",
    dtype=torch.bfloat16
)
```

> [!TIP]
> Compruebe `transformer.hf_device_map` para ver cómo se distribuye el transformer entre los dispositivos. Un pipeline cargado con `device_map` también tiene un atributo `hf_device_map` que muestra dónde se coloca cada componente.
Carga un pipeline con solo el transformer y establece `output_type="latent"` para que devuelva latentes en lugar de imágenes.

```py
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,
    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
```

## Decodificar los latentes

Elimine el pipeline y el transformer de la memoria y cargue un VAE para decodificar los latentes. El VAE es lo suficientemente pequeño como para caber en una sola GPU.

```py
import torch
from diffusers import AutoencoderKL
from diffusers.image_processor import VaeImageProcessor
del pipeline.transformer
del pipeline
del transformer
flush()
vae = AutoencoderKL.from_pretrained(
    "black-forest-labs/FLUX.1-dev", subfolder="vae", dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"
vae_scale_factor = 2 ** (len(vae.config.block_out_channels) - 1)
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")
```

Al cargar y descargar selectivamente los modelos que necesita en cada etapa y dividir los modelos más grandes entre varias GPU, puede ejecutar inferencia con modelos grandes en GPU de consumo.

Xet Storage Details

Size:: 4.7 kB
Xet hash:: b7087ce69007781bfc8816c8e2a08de60d52f87546130d82ed3d2dcafe750af8

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# Distribuir los componentes del modelo entre GPUs con device_map

	El argumento `device_map` coloca los componentes del modelo en GPUs separadas. Úsalo cuando un modelo no quepa en una sola GPU y tus GPUs no cuenten con un interconexión rápida. Consulta [Inferencia distribuida](../training/distributed_inference) para compararlo con las demás estrategias, y [Colocación de dispositivos](./memory#device-placement) para más opciones de `device_map`.

	El ejemplo siguiente carga cada componente solo para la etapa que lo necesita y usa `device_map` para distribuir los más grandes entre dos GPUs.

	## Codificar el prompt

	Establezca `device_map="balanced"` para colocar los codificadores de texto en GPUs separadas. Use `max_memory` para limitar la cantidad de memoria que utiliza cada GPU. Establezca `transformer` y `vae` en `None` para que solo se carguen los codificadores de texto.

	```py
	from diffusers import FluxPipeline
	import torch

	prompt = """
	cinematic film still of a cat sipping a margarita in a pool in Palm Springs, California
	highly detailed, high budget hollywood movie, cinemascope, moody, epic, gorgeous, film grain
	"""

	pipeline = FluxPipeline.from_pretrained(
	"black-forest-labs/FLUX.1-dev",
	transformer=None,
	vae=None,
	device_map="balanced",
	max_memory={0: "16GB", 1: "16GB"},
	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
	)
	```

	Una vez que tengas los embeddings de texto, elimina los codificadores de texto de la GPU para hacer espacio para el transformer.

	```py
	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()
	```

	## Denoise con el transformer fragmentado

	Establezca `device_map="auto"` para que Accelerate coloque el transformer. Llena la primera GPU antes de pasar a la siguiente y solo utiliza la CPU o el disco cuando las GPUs se quedan sin memoria. En dos GPUs más pequeñas, el transformer queda dividido entre ambas. Los pesos en la CPU o en el disco ralentizan la inferencia.

	```py
	from diffusers import AutoModel
	import torch

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

	> [!TIP]
	> Compruebe `transformer.hf_device_map` para ver cómo se distribuye el transformer entre los dispositivos. Un pipeline cargado con `device_map` también tiene un atributo `hf_device_map` que muestra dónde se coloca cada componente.

	Carga un pipeline con solo el transformer y establece `output_type="latent"` para que devuelva latentes en lugar de imágenes.

	```py
	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,
	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
	```

	## Decodificar los latentes

	Elimine el pipeline y el transformer de la memoria y cargue un VAE para decodificar los latentes. El VAE es lo suficientemente pequeño como para caber en una sola GPU.

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

	del pipeline.transformer
	del pipeline
	del transformer

	flush()

	vae = AutoencoderKL.from_pretrained(
	"black-forest-labs/FLUX.1-dev", subfolder="vae", dtype=torch.bfloat16
	).to("cuda") # or "mps", "xpu", "cpu"
	vae_scale_factor = 2 ** (len(vae.config.block_out_channels) - 1)
	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")
	```

	Al cargar y descargar selectivamente los modelos que necesita en cada etapa y dividir los modelos más grandes entre varias GPU, puede ejecutar inferencia con modelos grandes en GPU de consumo.