Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

8 days ago

preview code

download

raw

4.98 kB

# Reproductibilité

La diffusion est un processus aléatoire qui génère une sortie différente à chaque exécution. Pour des cas d’usage tels que les tests et la reproduction des résultats, vous souhaitez obtenir le même résultat à chaque fois, d’une version à l’autre et d’une plateforme à l’autre, dans une certaine plage de tolérance.

Ce guide vous montre comment contrôler les sources d'aléa et activer les algorithmes déterministes.

## Générateur

Les pipelines s’appuient sur [torch.randn](https://pytorch.org/docs/stable/generated/torch.randn.html), qui utilise une graine aléatoire différente à chaque fois, pour créer les tenseurs bruités initiaux. Pour générer la même sortie sur un CPU ou un GPU, utilisez un [Generator](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html) pour gérer la génération des valeurs aléatoires.

> [!TIP]
> Si la reproductibilité est importante, vous devez utiliser un `Generator` CPU. La perte de performance est souvent négligeable et vous générerez des valeurs plus similaires.

Utilisez un `Generator` CPU lorsque vous accordez de l'importance à la reproductibilité. Le RNG CPU est plus stable d'une machine à l'autre.

Lorsque vous passez un `Generator` CPU, la fonction [randn_tensor()](/docs/diffusers/main/fr/api/utilities#diffusers.utils.torch_utils.randn_tensor) de Diffusers effectue l'échantillonnage sur le CPU et déplace le tenseur vers le GPU à l'intérieur du pipeline. Vous n'appelez pas vous-même `randn_tensor` ou `.to("cuda")`. Un `Generator` GPU effectue l'échantillonnage directement sur l'appareil et peut produire des résultats différents de ceux du CPU.

Utilisez [manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.manual_seed.html) pour définir une graine.

```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]
```

Créez un `Generator` CPU et définissez une graine avec [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]
```

Passez un objet `Generator` au pipeline au lieu d'une graine entière. Un `Generator` conserve un état aléatoire qui est consommé et mis à jour lors de son utilisation. Par la suite, le même objet produit des résultats différents lors des appels suivants, même à travers différents pipelines, car son état a changé. Réinitialisez sa graine ou créez un nouveau `Generator` avant chaque appel si vous avez besoin de la même graine à nouveau.

```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]
```

## Algorithmes déterministes

PyTorch prend en charge des [algorithmes déterministes](https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms) (lorsqu’ils sont disponibles) pour certaines opérations afin qu’elles produisent les mêmes résultats. Les algorithmes déterministes peuvent être plus lents et réduire les performances.

Utilisez `enable_full_determinism()` de Diffusers pour activer les algorithmes déterministes.

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

`enable_full_determinism` fonctionne en :

- Définir la variable d'environnement `CUDA_LAUNCH_BLOCKING` sur `1`
- Définir la variable d’environnement [CUBLAS_WORKSPACE_CONFIG](https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility) sur `:16:8` afin que cuBLAS utilise une disposition de zone de travail fixe à l’exécution
- Appeler `torch.use_deterministic_algorithms(True)`
- Définir `torch.backends.cudnn.deterministic = True`
- Définir `torch.backends.cudnn.benchmark = False` afin que cuDNN ne sélectionne pas un algorithme de convolution différent à chaque exécution
- Désactiver TensorFloat32 (TF32) avec `torch.backends.cuda.matmul.allow_tf32 = False` au profit d'un matmul de pleine précision plus précis

## Étapes suivantes

Vous devriez lire les notes de développement de PyTorch sur la [Reproductibilité](https://docs.pytorch.org/docs/stable/notes/randomness.html). Vous pouvez essayer de limiter l'aléatoire, mais ce n'est pas *garanti*, même avec une graine identique.

Xet Storage Details

Size:: 4.98 kB
Xet hash:: 96ccf22aa4f120484e25e5a617210410503b421cf2d1ab5764bfedfcde97008a

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

	# Reproductibilité

	La diffusion est un processus aléatoire qui génère une sortie différente à chaque exécution. Pour des cas d’usage tels que les tests et la reproduction des résultats, vous souhaitez obtenir le même résultat à chaque fois, d’une version à l’autre et d’une plateforme à l’autre, dans une certaine plage de tolérance.

	Ce guide vous montre comment contrôler les sources d'aléa et activer les algorithmes déterministes.

	## Générateur

	Les pipelines s’appuient sur [torch.randn](https://pytorch.org/docs/stable/generated/torch.randn.html), qui utilise une graine aléatoire différente à chaque fois, pour créer les tenseurs bruités initiaux. Pour générer la même sortie sur un CPU ou un GPU, utilisez un [Generator](https://docs.pytorch.org/docs/stable/generated/torch.Generator.html) pour gérer la génération des valeurs aléatoires.

	> [!TIP]
	> Si la reproductibilité est importante, vous devez utiliser un `Generator` CPU. La perte de performance est souvent négligeable et vous générerez des valeurs plus similaires.

	Utilisez un `Generator` CPU lorsque vous accordez de l'importance à la reproductibilité. Le RNG CPU est plus stable d'une machine à l'autre.

	Lorsque vous passez un `Generator` CPU, la fonction [randn_tensor()](/docs/diffusers/main/fr/api/utilities#diffusers.utils.torch_utils.randn_tensor) de Diffusers effectue l'échantillonnage sur le CPU et déplace le tenseur vers le GPU à l'intérieur du pipeline. Vous n'appelez pas vous-même `randn_tensor` ou `.to("cuda")`. Un `Generator` GPU effectue l'échantillonnage directement sur l'appareil et peut produire des résultats différents de ceux du CPU.

	Utilisez [manual_seed](https://docs.pytorch.org/docs/stable/generated/torch.manual_seed.html) pour définir une graine.

	```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]
	```

	Créez un `Generator` CPU et définissez une graine avec [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]
	```

	Passez un objet `Generator` au pipeline au lieu d'une graine entière. Un `Generator` conserve un état aléatoire qui est consommé et mis à jour lors de son utilisation. Par la suite, le même objet produit des résultats différents lors des appels suivants, même à travers différents pipelines, car son état a changé. Réinitialisez sa graine ou créez un nouveau `Generator` avant chaque appel si vous avez besoin de la même graine à nouveau.

	```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]
	```

	## Algorithmes déterministes

	PyTorch prend en charge des [algorithmes déterministes](https://docs.pytorch.org/docs/stable/notes/randomness.html#avoiding-nondeterministic-algorithms) (lorsqu’ils sont disponibles) pour certaines opérations afin qu’elles produisent les mêmes résultats. Les algorithmes déterministes peuvent être plus lents et réduire les performances.

	Utilisez `enable_full_determinism()` de Diffusers pour activer les algorithmes déterministes.

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

	enable_full_determinism()
	```

	`enable_full_determinism` fonctionne en :

	- Définir la variable d'environnement `CUDA_LAUNCH_BLOCKING` sur `1`
	- Définir la variable d’environnement [CUBLAS_WORKSPACE_CONFIG](https://docs.nvidia.com/cuda/cublas/index.html#results-reproducibility) sur `:16:8` afin que cuBLAS utilise une disposition de zone de travail fixe à l’exécution
	- Appeler `torch.use_deterministic_algorithms(True)`
	- Définir `torch.backends.cudnn.deterministic = True`
	- Définir `torch.backends.cudnn.benchmark = False` afin que cuDNN ne sélectionne pas un algorithme de convolution différent à chaque exécution
	- Désactiver TensorFloat32 (TF32) avec `torch.backends.cuda.matmul.allow_tf32 = False` au profit d'un matmul de pleine précision plus précis

	## Étapes suivantes

	Vous devriez lire les notes de développement de PyTorch sur la [Reproductibilité](https://docs.pytorch.org/docs/stable/notes/randomness.html). Vous pouvez essayer de limiter l'aléatoire, mais ce n'est pas garanti, même avec une graine identique.