Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /using-diffusers /reusing_seeds.md

mishig

8 days ago

preview code

download

raw

4.66 kB

# Reproducibilidad

La difusión es un proceso aleatorio que genera una salida diferente cada vez. Para casos de uso como pruebas y replicación de resultados, se desea generar el mismo resultado cada vez, entre versiones y plataformas, dentro de un cierto rango de tolerancia.

Esta guía le mostrará cómo controlar las fuentes de aleatoriedad y habilitar algoritmos deterministas.

## Generador

Los pipelines dependen de [torch.randn](https://pytorch.org/docs/stable/generated/torch.randn.html), que utiliza una semilla aleatoria diferente en cada ejecución, para crear los tensores ruidosos iniciales. Para generar la misma salida en una CPU o GPU, utilice un [Generator](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html) para gestionar cómo se generan los valores aleatorios.

> [!TIP]
> Si la reproducibilidad es importante, debe usar un `Generator` de CPU. La pérdida de rendimiento suele ser despreciable y generará valores más similares.

Utilice un `Generator` de CPU cuando le importe la reproducibilidad. El RNG de CPU es más estable entre máquinas.

Cuando se pasa un `Generator` de CPU, [randn_tensor()](/docs/diffusers/main/es/api/utilities#diffusers.utils.torch_utils.randn_tensor) de Diffusers muestrea en la CPU y mueve el tensor a la GPU dentro del pipeline. No se llama a `randn_tensor` ni a `.to("cuda")` manualmente. Un `Generator` de GPU muestrea directamente en el dispositivo y puede divergir de los resultados de la CPU.

Use [manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.manual_seed.html) para establecer una semilla.

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda"  # or "mps", "xpu", "cpu"
)
generator = torch.manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]
```

Cree un `Generator` de CPU y establezca una semilla con [Generator.manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html#torch.Generator.manual_seed).

```py
import torch
from diffusers import DiffusionPipeline
pipeline = DiffusionPipeline.from_pretrained(
    "Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cpu"
)
generator = torch.Generator(device="cpu").manual_seed(0)
image = pipeline(
    prompt="a red apple on a wooden table",
    generator=generator,
    num_inference_steps=4,
).images[0]
```

Pase un objeto `Generator` a la pipeline en lugar de una semilla entera. Un `Generator` mantiene un estado aleatorio que se consume y actualiza cuando lo utiliza. Después de eso, el mismo objeto produce resultados diferentes en llamadas posteriores, incluso entre pipelines, porque su estado ha cambiado. Vuelva a sembrarlo o cree un nuevo `Generator` antes de cada llamada cuando necesite la misma semilla de nuevo.

```py
import torch
prompt = "a red apple on a wooden table"
for _ in range(5):
    generator = torch.manual_seed(0)
    image = pipeline(prompt, generator=generator, num_inference_steps=4).images[0]
```

## Algoritmos deterministas

PyTorch admite [algoritmos deterministas](https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms) (cuando están disponibles) para ciertas operaciones para que produzcan los mismos resultados. Los algoritmos deterministas pueden ser más lentos y reducir el rendimiento.

Use `enable_full_determinism()` de Diffusers para habilitar algoritmos deterministas.

```py
from diffusers.utils.torch_utils import enable_full_determinism
enable_full_determinism()
```

`enable_full_determinism` funciona de la siguiente manera:

- Establecer la variable de entorno `CUDA_LAUNCH_BLOCKING` en `1`
- Establecer la variable de entorno [CUBLAS_WORKSPACE_CONFIG](https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility) en `:16:8` para que cuBLAS utilice un diseño de espacio de trabajo fijo en tiempo de ejecución
- Llamar a `torch.use_deterministic_algorithms(True)`
- Establecer `torch.backends.cudnn.deterministic = True`
- Establecer `torch.backends.cudnn.benchmark = False` para que cuDNN no elija un algoritmo de convolución diferente en cada ejecución
- Desactivar TensorFloat32 (TF32) con `torch.backends.cuda.matmul.allow_tf32 = False` a favor de un matmul de precisión completa más preciso

## Próximos pasos

Deberías leer las notas de desarrollo de PyTorch sobre [Reproducibilidad](https://docs.pytorch.org/docs/stable/notes/randomness.html). Puedes intentar limitar la aleatoriedad, pero no está *garantizada* ni siquiera con una semilla idéntica.

Xet Storage Details

Size:: 4.66 kB
Xet hash:: d4a69395fb202ae6d147c2d84c108b6ca9cf8aaca7bdee71d87f78223e8cd3a7

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

	# Reproducibilidad

	La difusión es un proceso aleatorio que genera una salida diferente cada vez. Para casos de uso como pruebas y replicación de resultados, se desea generar el mismo resultado cada vez, entre versiones y plataformas, dentro de un cierto rango de tolerancia.

	Esta guía le mostrará cómo controlar las fuentes de aleatoriedad y habilitar algoritmos deterministas.

	## Generador

	Los pipelines dependen de [torch.randn](https://pytorch.org/docs/stable/generated/torch.randn.html), que utiliza una semilla aleatoria diferente en cada ejecución, para crear los tensores ruidosos iniciales. Para generar la misma salida en una CPU o GPU, utilice un [Generator](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html) para gestionar cómo se generan los valores aleatorios.

	> [!TIP]
	> Si la reproducibilidad es importante, debe usar un `Generator` de CPU. La pérdida de rendimiento suele ser despreciable y generará valores más similares.

	Utilice un `Generator` de CPU cuando le importe la reproducibilidad. El RNG de CPU es más estable entre máquinas.

	Cuando se pasa un `Generator` de CPU, [randn_tensor()](/docs/diffusers/main/es/api/utilities#diffusers.utils.torch_utils.randn_tensor) de Diffusers muestrea en la CPU y mueve el tensor a la GPU dentro del pipeline. No se llama a `randn_tensor` ni a `.to("cuda")` manualmente. Un `Generator` de GPU muestrea directamente en el dispositivo y puede divergir de los resultados de la CPU.

	Use [manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.manual_seed.html) para establecer una semilla.

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cuda" # or "mps", "xpu", "cpu"
	)
	generator = torch.manual_seed(0)
	image = pipeline(
	prompt="a red apple on a wooden table",
	generator=generator,
	num_inference_steps=4,
	).images[0]
	```

	Cree un `Generator` de CPU y establezca una semilla con [Generator.manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html#torch.Generator.manual_seed).

	```py
	import torch
	from diffusers import DiffusionPipeline

	pipeline = DiffusionPipeline.from_pretrained(
	"Qwen/Qwen-Image", dtype=torch.bfloat16, device_map="cpu"
	)
	generator = torch.Generator(device="cpu").manual_seed(0)
	image = pipeline(
	prompt="a red apple on a wooden table",
	generator=generator,
	num_inference_steps=4,
	).images[0]
	```

	Pase un objeto `Generator` a la pipeline en lugar de una semilla entera. Un `Generator` mantiene un estado aleatorio que se consume y actualiza cuando lo utiliza. Después de eso, el mismo objeto produce resultados diferentes en llamadas posteriores, incluso entre pipelines, porque su estado ha cambiado. Vuelva a sembrarlo o cree un nuevo `Generator` antes de cada llamada cuando necesite la misma semilla de nuevo.

	```py
	import torch

	prompt = "a red apple on a wooden table"

	for _ in range(5):
	generator = torch.manual_seed(0)
	image = pipeline(prompt, generator=generator, num_inference_steps=4).images[0]
	```

	## Algoritmos deterministas

	PyTorch admite [algoritmos deterministas](https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms) (cuando están disponibles) para ciertas operaciones para que produzcan los mismos resultados. Los algoritmos deterministas pueden ser más lentos y reducir el rendimiento.

	Use `enable_full_determinism()` de Diffusers para habilitar algoritmos deterministas.

	```py
	from diffusers.utils.torch_utils import enable_full_determinism

	enable_full_determinism()
	```

	`enable_full_determinism` funciona de la siguiente manera:

	- Establecer la variable de entorno `CUDA_LAUNCH_BLOCKING` en `1`
	- Establecer la variable de entorno [CUBLAS_WORKSPACE_CONFIG](https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility) en `:16:8` para que cuBLAS utilice un diseño de espacio de trabajo fijo en tiempo de ejecución
	- Llamar a `torch.use_deterministic_algorithms(True)`
	- Establecer `torch.backends.cudnn.deterministic = True`
	- Establecer `torch.backends.cudnn.benchmark = False` para que cuDNN no elija un algoritmo de convolución diferente en cada ejecución
	- Desactivar TensorFloat32 (TF32) con `torch.backends.cuda.matmul.allow_tf32 = False` a favor de un matmul de precisión completa más preciso

	## Próximos pasos

	Deberías leer las notas de desarrollo de PyTorch sobre [Reproducibilidad](https://docs.pytorch.org/docs/stable/notes/randomness.html). Puedes intentar limitar la aleatoriedad, pero no está garantizada ni siquiera con una semilla idéntica.