Precisión y compilación

La baja precisión y la compilación son dos formas de acelerar la inferencia de Diffusers. Cargue los pesos en bfloat16 o float16 y, a continuación, compile el desruidador (el UNet o el transformer) con torch.compile o compilación regional.

Tipo de datos del modelo

La precisión y el tipo de datos de los pesos del modelo afectan la velocidad de inferencia, ya que una mayor precisión requiere más memoria para cargarlos y más tiempo para realizar los cálculos. Diffusers carga los pesos del modelo en float32 cuando se omite dtype, por lo que cambiar el tipo de datos es una forma sencilla de obtener una inferencia más rápida.

bfloat16

float16

TensorFloat-32

Atención de producto escalar

La atención de producto escalar de puntos (SDPA) es la atención predeterminada en PyTorch 2.0 y versiones posteriores, a través de AttnProcessor2_0 o el backend native del despachador de atención. PyTorch elige un kernel de SDPA para tu hardware. Para FlashAttention, SageAttention, xFormers, kernels de Hub y otros backends, consulta Backends de atención.

torch.compile

torch.compile acelera la inferencia al compilar el código y las operaciones de PyTorch en kernels optimizados. Normalmente se compila el denoiser, que domina el tiempo de ejecución, ya sea pipeline.unet o pipeline.transformer, y a veces también el VAE.

Habilite los siguientes ajustes del compilador para obtener la máxima velocidad (consulte la lista completa para más opciones).

import torch
from diffusers import StableDiffusionXLPipeline

torch._inductor.config.conv_1x1_as_mm = True
torch._inductor.config.coordinate_descent_tuning = True
torch._inductor.config.epilogue_fusion = False
torch._inductor.config.coordinate_descent_check_all_directions = True

Carga y compila el denoiser y el VAE. Usa pipeline.unet en pipelines de UNet como Stable Diffusion XL, o pipeline.transformer en pipelines de Flux y estilo DiT. Hay varios modos diferentes entre los que puedes elegir, pero "max-autotune" busca los kernels más rápidos y usa CUDA graphs. Los CUDA graphs reducen la sobrecarga al lanzar múltiples operaciones de GPU a través de una sola operación de CPU.

Cambiar el diseño de memoria a channels_last también puede acelerar modelos con muchas convoluciones, como UNets y VAEs. Realice una prueba de rendimiento primero, ya que algunos modelos se ejecutan más lentamente.

pipeline = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
pipeline.unet.to(memory_format=torch.channels_last)
pipeline.unet = torch.compile(
    pipeline.unet, mode="max-autotune", fullgraph=True
)
pipeline.vae.to(memory_format=torch.channels_last)
pipeline.vae.decode = torch.compile(
    pipeline.vae.decode,
    mode="max-autotune",
    fullgraph=True
)

prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k"
pipeline(prompt, num_inference_steps=30).images[0]

La compilación es lenta la primera vez, especialmente con "max-autotune", porque el compilador busca kernels y luego sigue utilizando el mismo objeto de pipeline compilado (consulte Caché de tiempo de compilación y Configuración de caché para saber cómo configurar el comportamiento de la caché). Llamar al pipeline compilado con un tamaño de imagen diferente provoca una recompilación.

Compilación de formas dinámicas

torch.compile mantiene un registro de las formas de entrada y las condiciones, y si estas son diferentes, recompila el modelo. Por ejemplo, si un modelo se compila con una imagen de resolución 1024x1024 y se utiliza con una imagen de una resolución diferente, se desencadena la recompilación.

Para evitar la recompilación, agregue dynamic=True para intentar generar un kernel más dinámico y así evitar la recompilación cuando cambien las condiciones.

+ torch.fx.experimental._config.use_duck_shape = False
+ pipeline.unet = torch.compile(
    pipeline.unet, fullgraph=True, dynamic=True
)

Especificar use_duck_shape=False indica al compilador si debe usar la misma variable simbólica para representar tamaños de entrada que son iguales. Para más detalles, consulta este comentario.

No todos los modelos pueden beneficiarse de la compilación dinámica de forma predeterminada y pueden requerir cambios. Consulte este PR que mejoró la implementación de AuraFlowPipeline para beneficiarse de la compilación dinámica.

Siéntase libre de abrir un problema si la compilación dinámica no funciona como se espera para un modelo de Diffusers.

Compilación regional

La compilación regional reduce la latencia de inicio en frío al compilar únicamente los bloques pequeños y repetidos con frecuencia de un modelo, típicamente una capa de transformer, y permite reutilizar los artefactos compilados para cada ocurrencia posterior. Para muchas arquitecturas de difusión, esto ofrece mejoras de velocidad de ejecución comparables a la compilación de todo el grafo y puede reducir el tiempo de compilación hasta 8–10 veces.

Utilice el método compile_repeated_blocks(), un auxiliar que envuelve torch.compile, en el denoiser. Llámelo en pipeline.unet o pipeline.transformer, según el pipeline.

import torch
from diffusers import StableDiffusionXLPipeline

pipeline = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0",
    dtype=torch.float16,
).to("cuda")  # or "mps", "xpu", "cpu"
pipeline.unet.compile_repeated_blocks(fullgraph=True)

Para habilitar la compilación regional para un nuevo modelo, establezca _repeated_blocks con los nombres de las clases de los bloques repetidos (cadenas). Para el UNet de SDXL, use BasicTransformerBlock. Los desruidadores Transformer enumeran los nombres de sus propias clases de bloques repetidos de la misma manera.

_repeated_blocks = ["BasicTransformerBlock"]

También existe un método compile_regions en Accelerate que selecciona automáticamente los bloques candidatos de un modelo para compilar. El resto del grafo se compila por separado. Esto es útil para experimentos rápidos, ya que no hay tantas opciones para configurar qué bloques compilar o ajustar las banderas de compilación.

pip install -U accelerate

import torch
from diffusers import StableDiffusionXLPipeline
from accelerate.utils import compile_regions

pipeline = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.float16
).to("cuda")  # or "mps", "xpu", "cpu"
pipeline.unet = compile_regions(pipeline.unet, mode="reduce-overhead", fullgraph=True)

compile_repeated_blocks() es intencionalmente explícito. Enumera los bloques a repetir en _repeated_blocks y el helper solo compila esos bloques. Ofrece un comportamiento predecible y facilita razonar sobre la reutilización de la caché en una sola línea de código.

Puntos de interrupción del grafo

Establezca fullgraph=True para que torch.compile genere un error ante una interrupción del grafo en lugar de dividir el grafo de forma silenciosa, lo cual reduce la aceleración.

Sincronización de GPU

Después de cada predicción del denoiser, el pipeline llama al método step del scheduler, que indexa sigmas. Mantener sigmas en la GPU puede forzar una sincronización CPU↔GPU en cada paso. Ese coste es fácil de pasar por alto hasta que el denoiser se compila. Es preferible dejar sigmas en la CPU (los schedulers de Diffusers, como Euler, ya lo hacen).

Benchmarks

Consulte el conjunto de datos diffusers/benchmarks para ver los datos de latencia de inferencia y uso de memoria de las tuberías compiladas.

El repositorio diffusers-torchao también contiene resultados de benchmarking para las versiones compiladas de Flux y CogVideoX.

Kernels

Kernels es una biblioteca para construir, distribuir y cargar kernels de cómputo optimizados en el Hub. Admite kernels de attention y kernels CUDA personalizados para operaciones como RMSNorm, GEGLU, RoPE y AdaLN.

La guía de Integración de pipelines de Diffusers muestra cómo integrar un kernel con la habilidad add cuda-kernels. Esta habilidad permite que un agente, como Claude o Codex, escriba kernels personalizados dirigidos a un modelo específico y a tu hardware. La publicación Custom kernels for all from Codex and Claude ofrece más detalles.

Por ejemplo, un kernel RMSNorm personalizado (generado por la habilidad add cuda-kernels) con torch.compile acelera la generación de LTX-Video 1.43 veces en una H100.

Cuantización dinámica

La cuantización dinámica de activaciones int8 está disponible en torchao. Utilice TorchAoConfig con una configuración como Int8DynamicActivationInt8WeightConfig, o la API quantize_ de torchao. No utilice el helper anterior apply_dynamic_quant.

Matrices de proyección fusionadas

~DiffusionPipeline.fuse_qkv_projections es experimental.

Una entrada se proyecta en tres subespacios, representados por las matrices de proyección Q, K y V, en un bloque de atención. Estas proyecciones suelen calcularse por separado, pero se pueden combinar horizontalmente en una única matriz y realizar la proyección en un solo paso. Esto aumenta el tamaño de las multiplicaciones de matrices de las proyecciones de entrada y también mejora el impacto de la cuantización.

pipeline.fuse_qkv_projections()

Próximos pasos

Lee la publicación de blog Presenting Flux Fast: Making Flux go brrr on H100s para saber más sobre cómo puedes combinar todas estas optimizaciones con TorchInductor y AOTInductor para lograr una aceleración de ~2.5x utilizando las recetas de flux-fast.

Estas recetas admiten hardware de AMD y Flux.1 Kontext Dev.
Consulte la publicación de blog torch.compile and Diffusers: A Hands-On Guide to Peak Performance para maximizar el rendimiento con torch.compile en modelos de difusión.

Update on GitHub