Buckets:

hf-doc-build
/

doc

Files

xet

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

mishig

3 days ago

preview code

download

raw

5.33 kB

# device_map を使用してモデルのコンポーネントを複数の GPU に分散
`device_map` 引数は、モデルのコンポーネントを複数の GPU に配置します。モデルが 1 つの GPU に収まらず、かつ GPU 間に高速なインターコネクトがない場合に使用してください。他の戦略との比較については [分散推論](../training/distributed_inference) を、`device_map` のその他のオプションについては [デバイスの配置](./memory#device-placement) を参照してください。
以下の例では、各コンポーネントを必要とするステージでのみ読み込み、`device_map`を使用して大きなものを2つのGPUに分散しています。

## プロンプトをエンコード

`device_map="balanced"` を設定すると、テキストエンコーダーが別々の GPU に配置されます。各 GPU が使用するメモリ量を上限値で制限するには `max_memory` を使用します。テキストエンコーダーのみを読み込むようにするには、`transformer` と `vae` を `None` に設定します。

```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
    )
```

テキスト埋め込みを取得したら、transformerをGPUに載せるために、テキストエンコーダーをGPUから解放します。

```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()
```

## sharded transformerでデノイズ

`device_map="auto"` を設定すると、Accelerate が transformer の配置を決定します。Accelerate は最初の GPU にメモリを充填してから次の GPU に移動し、GPU のメモリが不足した場合にのみ CPU またはディスクを使用します。2 つの小型 GPU を使用する場合、transformer は両方の GPU に分割して配置されます。CPU またはディスク上の重みは、推論の速度を低下させます。

```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]
> `transformer.hf_device_map` を確認すると、transformer がデバイス間でどのように分散されているかを見ることができます。`device_map` で読み込まれたパイプラインにも、各コンポーネントがどこに配置されているかを示す `hf_device_map` 属性があります。
transformer のみをロードした pipeline を読み込み、`output_type="latent"` を設定して、画像ではなく潜在変数を返すようにします。

```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
```

## 潜在変数をデコードする

パイプラインとトランスフォーマーをメモリから解放し、VAE を読み込んで潜在変数をデコードします。VAE は 1 つの GPU に収まるほど小さいです。

```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")
```

特定の段階で必要なモデルを選択的に読み込み・解放し、最大サイズのモデルを複数のGPUにシャード（分割）することで、コンシューマー向けGPU上で大規模モデルの推論を実行できます。

Xet Storage Details

Size:: 5.33 kB
Xet hash:: 853f4f54559c40c78f461af245f5c93fa337251f85c1a17e624f95771402aa7c

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

	# device_map を使用してモデルのコンポーネントを複数の GPU に分散

	`device_map` 引数は、モデルのコンポーネントを複数の GPU に配置します。モデルが 1 つの GPU に収まらず、かつ GPU 間に高速なインターコネクトがない場合に使用してください。他の戦略との比較については [分散推論](../training/distributed_inference) を、`device_map` のその他のオプションについては [デバイスの配置](./memory#device-placement) を参照してください。

	以下の例では、各コンポーネントを必要とするステージでのみ読み込み、`device_map`を使用して大きなものを2つのGPUに分散しています。

	## プロンプトをエンコード

	`device_map="balanced"` を設定すると、テキストエンコーダーが別々の GPU に配置されます。各 GPU が使用するメモリ量を上限値で制限するには `max_memory` を使用します。テキストエンコーダーのみを読み込むようにするには、`transformer` と `vae` を `None` に設定します。

	```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
	)
	```

	テキスト埋め込みを取得したら、transformerをGPUに載せるために、テキストエンコーダーをGPUから解放します。

	```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()
	```

	## sharded transformerでデノイズ

	`device_map="auto"` を設定すると、Accelerate が transformer の配置を決定します。Accelerate は最初の GPU にメモリを充填してから次の GPU に移動し、GPU のメモリが不足した場合にのみ CPU またはディスクを使用します。2 つの小型 GPU を使用する場合、transformer は両方の GPU に分割して配置されます。CPU またはディスク上の重みは、推論の速度を低下させます。

	```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]
	> `transformer.hf_device_map` を確認すると、transformer がデバイス間でどのように分散されているかを見ることができます。`device_map` で読み込まれたパイプラインにも、各コンポーネントがどこに配置されているかを示す `hf_device_map` 属性があります。

	transformer のみをロードした pipeline を読み込み、`output_type="latent"` を設定して、画像ではなく潜在変数を返すようにします。

	```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
	```

	## 潜在変数をデコードする

	パイプラインとトランスフォーマーをメモリから解放し、VAE を読み込んで潜在変数をデコードします。VAE は 1 つの GPU に収まるほど小さいです。

	```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")
	```

	特定の段階で必要なモデルを選択的に読み込み・解放し、最大サイズのモデルを複数のGPUにシャード（分割）することで、コンシューマー向けGPU上で大規模モデルの推論を実行できます。