Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /ru /optimization /pruna.md

mishig

2 days ago

preview code

download

raw

10.2 kB

# Pruna

[Pruna](https://github.com/PrunaAI/pruna) — это фреймворк оптимизации моделей, предлагающий различные методы оптимизации — квантование, обрезание, кэширование, компиляцию — для ускорения вывода и снижения потребления памяти. Общий обзор методов оптимизации приведен ниже.

| Техника    | Описание                                                                                   | Скорость | Память | Качество |
|--------------|-----------------------------------------------------------------------------------------------|:-----:|:------:|:-------:|
| `batcher`    | Группирует несколько входных данных для одновременной обработки, что повышает вычислительную эффективность и сокращает время обработки. | ✅    | ❌     | ➖      |
| `cacher`     | Сохраняет промежуточные результаты вычислений для ускорения последующих операций.               | ✅    | ➖     | ➖      |
| `compiler`   | Оптимизирует модель с инструкциями для конкретного оборудования.                                 | ✅    | ➖     | ➖      |
| `distiller`  | Обучает более маленькую и простую модель имитировать более крупную и сложную модель.                       | ✅    | ✅     | ❌      |
| `quantizer`  | Снижает точность весов и активаций, уменьшая требования к памяти.              | ✅    | ✅     | ❌      |
| `pruner`     | Удаляет менее важные или избыточные связи и нейроны, в результате чего сеть становится более разреженной и эффективной. | ✅    | ✅     | ❌      |
| `recoverer`  | Восстанавливает производительность модели после сжатия.                                       | ➖    | ➖     | ✅      |
| `factorizer` | Факторизация объединяет несколько небольших матричных умножений в одну крупную слиянную операцию. | ✅ | ➖ | ➖ |
| `enhancer`   | Улучшает вывод модели, применяя алгоритмы постобработки, такие как шумоподавление или увеличение разрешения. | ❌ | - | ✅ |

✅ (улучшение), ➖ (примерно то же), ❌ (ухудшение)

Ознакомьтесь с полным перечнем методов оптимизации в [документации Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html#configure-algorithms).

## Установка

Установите Pruna с помощью следующей команды.

```bash
pip install pruna
```

## Оптимизация моделей Diffusers

Для моделей Diffusers поддерживается широкий спектр алгоритмов оптимизации, как показано ниже.

    
Пример ниже оптимизирует [black-forest-labs/FLUX.1-dev](https://huggingface.co/black-forest-labs/FLUX.1-dev) с помощью комбинации алгоритмов factorizer, compiler и cacher. Эта комбинация ускоряет инференс до 4,2 раз и снижает пиковое потребление памяти GPU с 34,7 ГБ до 28,0 ГБ, при этом практически не изменяя качество вывода.

> [!TIP]
> См. документацию [Pruna optimization](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html), чтобы узнать больше об оптимизационных техниках, использованных в этом примере.

    
Начните с определения `SmashConfig` с алгоритмами оптимизации, которые вы хотите использовать. Чтобы оптимизировать модель, оберните пайплайн и `SmashConfig` в `smash`, а затем используйте пайплайн для инференса как обычно.

```python
import torch
from diffusers import FluxPipeline
from pruna import PrunaModel, SmashConfig, smash
# load the model
# Try segmind/Segmind-Vega or black-forest-labs/FLUX.1-schnell with a small GPU memory
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"
# define the configuration
smash_config = SmashConfig()
smash_config["factorizer"] = "qkv_diffusers"
smash_config["compiler"] = "torch_compile"
smash_config["torch_compile_target"] = "module_list"
smash_config["cacher"] = "fora"
smash_config["fora_interval"] = 2
# for the best results in terms of speed you can add these configs
# however they will increase your warmup time from 1.5 min to 10 min
# smash_config["torch_compile_mode"] = "max-autotune-no-cudagraphs"
# smash_config["quantizer"] = "torchao"
# smash_config["torchao_quant_type"] = "fp8dq"
# smash_config["torchao_excluded_modules"] = "norm+embedding"
# optimize the model
smashed_pipe = smash(pipe, smash_config)
# run the model
smashed_pipe("a knitted purple prune").images[0]
```

    
После оптимизации мы можем поделиться оптимизированной моделью и загрузить её с помощью Hugging Face Hub.

```python
# save the model
smashed_pipe.save_to_hub("<username>/FLUX.1-dev-smashed")
# load the model
smashed_pipe = PrunaModel.from_hub("<username>/FLUX.1-dev-smashed")
```

## Оценка и бенчмаркинг моделей Diffusers

Pruna предоставляет [EvaluationAgent](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/evaluate.html) для оценки качества ваших оптимизированных моделей.

Мы можем указать метрики, которые нас интересуют, например, общее время и пропускную способность, а также набор данных для оценки. Мы можем определить модель и передать её в `EvaluationAgent`.

Мы можем загрузить и оценить оптимизированную модель с помощью `EvaluationAgent` и передать её в `Task`.

```python
import torch
from diffusers import FluxPipeline
from pruna import PrunaModel
from pruna.data.pruna_datamodule import PrunaDataModule
from pruna.evaluation.evaluation_agent import EvaluationAgent
from pruna.evaluation.metrics import (
    ThroughputMetric,
    TorchMetricWrapper,
    TotalTimeMetric,
)
from pruna.evaluation.task import Task
# define the device
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
# load the model
# Try PrunaAI/Segmind-Vega-smashed or PrunaAI/FLUX.1-dev-smashed with a small GPU memory
smashed_pipe = PrunaModel.from_hub("PrunaAI/FLUX.1-dev-smashed")
# Define the metrics
metrics = [
    TotalTimeMetric(n_iterations=20, n_warmup_iterations=5),
    ThroughputMetric(n_iterations=20, n_warmup_iterations=5),
    TorchMetricWrapper("clip"),
]
# Define the datamodule
datamodule = PrunaDataModule.from_string("LAION256")
datamodule.limit_datasets(10)
# Define the task and evaluation agent
task = Task(metrics, datamodule=datamodule, device=device)
eval_agent = EvaluationAgent(task)
# Evaluate smashed model and offload it to CPU
smashed_pipe.move_to_device(device)
smashed_pipe_results = eval_agent.evaluate(smashed_pipe)
smashed_pipe.move_to_device("cpu")
```

Вместо сравнения оптимизированной модели с базовой можно оценить автономную модель `diffusers`. Это полезно, если нужно оценить производительность модели без оптимизации. Для этого можно использовать обёртку `PrunaModel` и запустить на ней `EvaluationAgent`.

```python
import torch
from diffusers import FluxPipeline
from pruna import PrunaModel
# load the model
# Try PrunaAI/Segmind-Vega-smashed or PrunaAI/FLUX.1-dev-smashed with a small GPU memory
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    dtype=torch.bfloat16
).to("cpu")
wrapped_pipe = PrunaModel(model=pipe)
```

Теперь, когда вы узнали, как оптимизировать и оценивать свои модели, вы можете начать использовать Pruna для оптимизации собственных моделей. К счастью, у нас есть множество примеров, которые помогут вам начать работу.

> [!TIP]
> Для получения подробной информации о бенчмаркинге Flux ознакомьтесь с публикацией в блоге [Announcing FLUX-Juiced: The Fastest Image Generation Endpoint (2.6 times faster)!](https://huggingface.co/blog/PrunaAI/flux-fastest-image-generation-endpoint) и Space [InferBench](https://huggingface.co/spaces/PrunaAI/InferBench).

## Справочник

- [Pruna](https://github.com/PrunaAI/pruna)
- [Оптимизация Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html#configure-algorithms)
- [Оценка Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/evaluate.html)
- [Учебные материалы Pruna](https://docs.pruna.ai/en/stable/docs_pruna/tutorials/index.html)

Xet Storage Details

Size:: 10.2 kB
Xet hash:: 6e2a4e290d72848c522ffdda8f853284719919f0eac6acac7ec87f70d78e28c8

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

	# Pruna

	[Pruna](https://github.com/PrunaAI/pruna) — это фреймворк оптимизации моделей, предлагающий различные методы оптимизации — квантование, обрезание, кэширование, компиляцию — для ускорения вывода и снижения потребления памяти. Общий обзор методов оптимизации приведен ниже.

	\| Техника \| Описание \| Скорость \| Память \| Качество \|
	\|--------------\|-----------------------------------------------------------------------------------------------\|:-----:\|:------:\|:-------:\|
	\| `batcher` \| Группирует несколько входных данных для одновременной обработки, что повышает вычислительную эффективность и сокращает время обработки. \| ✅ \| ❌ \| ➖ \|
	\| `cacher` \| Сохраняет промежуточные результаты вычислений для ускорения последующих операций. \| ✅ \| ➖ \| ➖ \|
	\| `compiler` \| Оптимизирует модель с инструкциями для конкретного оборудования. \| ✅ \| ➖ \| ➖ \|
	\| `distiller` \| Обучает более маленькую и простую модель имитировать более крупную и сложную модель. \| ✅ \| ✅ \| ❌ \|
	\| `quantizer` \| Снижает точность весов и активаций, уменьшая требования к памяти. \| ✅ \| ✅ \| ❌ \|
	\| `pruner` \| Удаляет менее важные или избыточные связи и нейроны, в результате чего сеть становится более разреженной и эффективной. \| ✅ \| ✅ \| ❌ \|
	\| `recoverer` \| Восстанавливает производительность модели после сжатия. \| ➖ \| ➖ \| ✅ \|
	\| `factorizer` \| Факторизация объединяет несколько небольших матричных умножений в одну крупную слиянную операцию. \| ✅ \| ➖ \| ➖ \|
	\| `enhancer` \| Улучшает вывод модели, применяя алгоритмы постобработки, такие как шумоподавление или увеличение разрешения. \| ❌ \| - \| ✅ \|

	✅ (улучшение), ➖ (примерно то же), ❌ (ухудшение)

	Ознакомьтесь с полным перечнем методов оптимизации в [документации Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html#configure-algorithms).

	## Установка

	Установите Pruna с помощью следующей команды.

	```bash
	pip install pruna
	```

	## Оптимизация моделей Diffusers

	Для моделей Diffusers поддерживается широкий спектр алгоритмов оптимизации, как показано ниже.



	Пример ниже оптимизирует [black-forest-labs/FLUX.1-dev](https://huggingface.co/black-forest-labs/FLUX.1-dev) с помощью комбинации алгоритмов factorizer, compiler и cacher. Эта комбинация ускоряет инференс до 4,2 раз и снижает пиковое потребление памяти GPU с 34,7 ГБ до 28,0 ГБ, при этом практически не изменяя качество вывода.

	> [!TIP]
	> См. документацию [Pruna optimization](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html), чтобы узнать больше об оптимизационных техниках, использованных в этом примере.



	Начните с определения `SmashConfig` с алгоритмами оптимизации, которые вы хотите использовать. Чтобы оптимизировать модель, оберните пайплайн и `SmashConfig` в `smash`, а затем используйте пайплайн для инференса как обычно.

	```python
	import torch
	from diffusers import FluxPipeline

	from pruna import PrunaModel, SmashConfig, smash

	# load the model
	# Try segmind/Segmind-Vega or black-forest-labs/FLUX.1-schnell with a small GPU memory
	pipe = FluxPipeline.from_pretrained(
	"black-forest-labs/FLUX.1-dev",
	dtype=torch.bfloat16
	).to("cuda") # or "mps", "xpu", "cpu"

	# define the configuration
	smash_config = SmashConfig()
	smash_config["factorizer"] = "qkv_diffusers"
	smash_config["compiler"] = "torch_compile"
	smash_config["torch_compile_target"] = "module_list"
	smash_config["cacher"] = "fora"
	smash_config["fora_interval"] = 2

	# for the best results in terms of speed you can add these configs
	# however they will increase your warmup time from 1.5 min to 10 min
	# smash_config["torch_compile_mode"] = "max-autotune-no-cudagraphs"
	# smash_config["quantizer"] = "torchao"
	# smash_config["torchao_quant_type"] = "fp8dq"
	# smash_config["torchao_excluded_modules"] = "norm+embedding"

	# optimize the model
	smashed_pipe = smash(pipe, smash_config)

	# run the model
	smashed_pipe("a knitted purple prune").images[0]
	```



	После оптимизации мы можем поделиться оптимизированной моделью и загрузить её с помощью Hugging Face Hub.

	```python
	# save the model
	smashed_pipe.save_to_hub("<username>/FLUX.1-dev-smashed")

	# load the model
	smashed_pipe = PrunaModel.from_hub("<username>/FLUX.1-dev-smashed")
	```

	## Оценка и бенчмаркинг моделей Diffusers

	Pruna предоставляет [EvaluationAgent](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/evaluate.html) для оценки качества ваших оптимизированных моделей.

	Мы можем указать метрики, которые нас интересуют, например, общее время и пропускную способность, а также набор данных для оценки. Мы можем определить модель и передать её в `EvaluationAgent`.

	Мы можем загрузить и оценить оптимизированную модель с помощью `EvaluationAgent` и передать её в `Task`.

	```python
	import torch
	from diffusers import FluxPipeline

	from pruna import PrunaModel
	from pruna.data.pruna_datamodule import PrunaDataModule
	from pruna.evaluation.evaluation_agent import EvaluationAgent
	from pruna.evaluation.metrics import (
	ThroughputMetric,
	TorchMetricWrapper,
	TotalTimeMetric,
	)
	from pruna.evaluation.task import Task

	# define the device
	device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"

	# load the model
	# Try PrunaAI/Segmind-Vega-smashed or PrunaAI/FLUX.1-dev-smashed with a small GPU memory
	smashed_pipe = PrunaModel.from_hub("PrunaAI/FLUX.1-dev-smashed")

	# Define the metrics
	metrics = [
	TotalTimeMetric(n_iterations=20, n_warmup_iterations=5),
	ThroughputMetric(n_iterations=20, n_warmup_iterations=5),
	TorchMetricWrapper("clip"),
	]

	# Define the datamodule
	datamodule = PrunaDataModule.from_string("LAION256")
	datamodule.limit_datasets(10)

	# Define the task and evaluation agent
	task = Task(metrics, datamodule=datamodule, device=device)
	eval_agent = EvaluationAgent(task)

	# Evaluate smashed model and offload it to CPU
	smashed_pipe.move_to_device(device)
	smashed_pipe_results = eval_agent.evaluate(smashed_pipe)
	smashed_pipe.move_to_device("cpu")
	```

	Вместо сравнения оптимизированной модели с базовой можно оценить автономную модель `diffusers`. Это полезно, если нужно оценить производительность модели без оптимизации. Для этого можно использовать обёртку `PrunaModel` и запустить на ней `EvaluationAgent`.

	```python
	import torch
	from diffusers import FluxPipeline

	from pruna import PrunaModel

	# load the model
	# Try PrunaAI/Segmind-Vega-smashed or PrunaAI/FLUX.1-dev-smashed with a small GPU memory
	pipe = FluxPipeline.from_pretrained(
	"black-forest-labs/FLUX.1-dev",
	dtype=torch.bfloat16
	).to("cpu")
	wrapped_pipe = PrunaModel(model=pipe)
	```

	Теперь, когда вы узнали, как оптимизировать и оценивать свои модели, вы можете начать использовать Pruna для оптимизации собственных моделей. К счастью, у нас есть множество примеров, которые помогут вам начать работу.

	> [!TIP]
	> Для получения подробной информации о бенчмаркинге Flux ознакомьтесь с публикацией в блоге [Announcing FLUX-Juiced: The Fastest Image Generation Endpoint (2.6 times faster)!](https://huggingface.co/blog/PrunaAI/flux-fastest-image-generation-endpoint) и Space [InferBench](https://huggingface.co/spaces/PrunaAI/InferBench).

	## Справочник

	- [Pruna](https://github.com/PrunaAI/pruna)
	- [Оптимизация Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/configure.html#configure-algorithms)
	- [Оценка Pruna](https://docs.pruna.ai/en/stable/docs_pruna/user_manual/evaluate.html)
	- [Учебные материалы Pruna](https://docs.pruna.ai/en/stable/docs_pruna/tutorials/index.html)