Buckets:
| # Paralelismo de dados | |
| [Paralelismo de dados](https://huggingface.co/spaces/nanotron/ultrascale-playbook?section=data_parallelism) replica o mesmo modelo em cada GPU e fornece prompts diferentes para cada GPU. Ele aumenta o throughput quando o modelo já cabe em uma única GPU e mantém a latência de um prompt único inalterada. Se ainda não fez, experimente [Inferência em lote](../using-diffusers/batched_inference) em uma única GPU primeiro. Consulte [Inferência distribuída](../training/distributed_inference) para compará-lo com as outras estratégias. | |
| Você pode configurar o paralelismo de dados com [Accelerate](https://huggingface.co/docs/accelerate/index) ou diretamente com [PyTorch Distributed](https://pytorch.org/tutorials/beginner/dist_overview.html). | |
| ## Accelerate | |
| O Accelerate configura os processos e atribui uma GPU a cada um deles. | |
| Instale o Accelerate com o seguinte comando. | |
| ```bash | |
| uv pip install accelerate | |
| ``` | |
| Crie um [PartialState](https://huggingface.co/docs/accelerate/main/en/package_reference/state#accelerate.PartialState) em um arquivo chamado `run_distributed.py` para configurar o ambiente distribuído. Mova o [DiffusionPipeline](/docs/diffusers/main/pt/api/pipelines/overview#diffusers.DiffusionPipeline) para o `PartialState.device` para atribuir uma GPU a cada processo. | |
| ```py | |
| import torch | |
| from accelerate import PartialState | |
| from diffusers import DiffusionPipeline | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "Qwen/Qwen-Image", dtype=torch.bfloat16 | |
| ) | |
| distributed_state = PartialState() | |
| pipeline.to(distributed_state.device) | |
| ``` | |
| No mesmo arquivo, use [split_between_processes](https://huggingface.co/docs/accelerate/main/en/package_reference/state#accelerate.PartialState.split_between_processes) como um gerenciador de contexto para dividir os prompts entre os processos. | |
| ```py | |
| 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") | |
| ``` | |
| Execute o script com `accelerate launch` e defina `--num_processes` para o número de GPUs. | |
| ```bash | |
| accelerate launch --num_processes=2 run_distributed.py | |
| ``` | |
| > [!TIP] | |
| > Para um exemplo completo, veja este [script de inferência multi-GPU minimalista](https://gist.github.com/sayakpaul/cfaebd221820d7b43fae638b4dfa01ba). Para saber mais, consulte o guia [Inferência distribuída com Accelerate](https://huggingface.co/docs/accelerate/en/usage_guides/distributed_inference#distributed-inference-with-accelerate). | |
| ## Distribuído do PyTorch | |
| Você também pode configurar o paralelismo de dados diretamente com `torch.distributed`, sem o Accelerate. | |
| Chame [init_process_group](https://pytorch.org/docs/stable/distributed.html#torch.distributed.init_process_group) para criar o ambiente distribuído. `torchrun` define o rank de cada processo e o número total de processos (o world size) por meio de variáveis de ambiente, então você não precisa passá-los manualmente. | |
| Cada processo precisa de sua própria GPU e de seu próprio prompt. `torchrun` define a variável de ambiente `LOCAL_RANK` com o índice da GPU do processo em seu nó, portanto, use-a para escolher a GPU. Use `get_rank`, que conta os processos em todos os nós, para escolher o prompt. | |
| ```py | |
| import os | |
| import torch | |
| import torch.distributed as dist | |
| from diffusers import DiffusionPipeline | |
| def main(): | |
| dist.init_process_group("nccl") | |
| rank = dist.get_rank() | |
| local_rank = int(os.environ["LOCAL_RANK"]) | |
| device = torch.device(f"cuda:{local_rank}") | |
| pipeline = DiffusionPipeline.from_pretrained( | |
| "Qwen/Qwen-Image", dtype=torch.bfloat16, | |
| ).to(device) | |
| prompts = ["a dog", "a cat"] | |
| prompt = prompts[rank] | |
| image = pipeline(prompt).images[0] | |
| image.save(f"{prompt.replace(' ', '_')}.png") | |
| dist.destroy_process_group() | |
| if __name__ == "__main__": | |
| main() | |
| ``` | |
| Salve o script como `run_distributed.py` e execute-o com `torchrun`. Defina `--nproc-per-node` para o número de GPUs. A lista `prompts` tem um prompt por processo, então adicione um prompt para cada GPU que você usar. | |
| ```bash | |
| torchrun --nproc-per-node 2 run_distributed.py | |
| ``` | |
Xet Storage Details
- Size:
- 4.2 kB
- Xet hash:
- 653b3cb2420f617b2cee7803047d1d67ea215774b36da2ed5879b0fce196804a
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.