# AWS Trainium

[TorchNeuron](https://github.com/aws-neuron/torch-neuronx) — это нативный бэкенд PyTorch для Trainium2 и Trainium3. Diffusers работает на этих инстансах через пакет `torch_neuronx`, который регистрирует устройство `"neuron"`, благодаря чему пайплайны выполняются с тем же кодом, что и на любом другом устройстве.

Доступны два режима выполнения:

| Режим | Как активировать | Примечания |
|---|---|---|
| Eager | `pipe.to("neuron")` | Операции, отправляемые по одной, асинхронные |
| Компиляция | `torch.compile(module, backend="neuron")` | Компиляция всего графа, статические формы |

Следуйте [документации AWS Neuron](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/), чтобы настроить Neuron SDK и установить `torch_neuronx`. После установки `import torch` автоматически загружает его и регистрирует устройство `"neuron"`, поэтому единственным необходимым изменением является `pipe.to("neuron")`. Добавляйте `import torch_neuronx` только в том случае, если вы отключили автоматическую загрузку бэкенда с помощью `TORCH_DEVICE_BACKEND_AUTOLOAD=0`.

В режиме eager каждая операция компилируется при первом запуске. В режиме compiled первый вызов компилирует граф. Оба режима по умолчанию кэшируют скомпилированный исполняемый формат Neuron (NEFF) в `tmp/neff_cache`, и этот каталог очищается при перезагрузке. Установите `TORCH_NEURONX_NEFF_CACHE_DIR` в постоянный каталог, чтобы сохранить кэш.

## Режим Eager

FLUX.2-klein-4B помещается на один NeuronCore, поэтому переместите весь пайплайн на устройство `"neuron"`.

```python
import torch

from diffusers import Flux2KleinPipeline

pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-4B", dtype=torch.bfloat16)
pipe.to("neuron")

image = pipe(
    prompt="a golden retriever surfing a wave, photorealistic",
    height=1024,
    width=1024,
    num_inference_steps=4,
).images[0]

image.save("output.png")
```

Если модель слишком велика для одного NeuronCore или у вас несколько ядер и требуется меньшая задержка, распределите модели по ядрам. См. раздел [Tensor parallelism](#tensor-parallelism).

## Скомпилированный режим

TorchNeuron регистрирует `"neuron"` как имя бэкенда для `torch.compile`, поэтому компоненты компилируются так же, как и любые другие цели `torch.compile`. Первый вызов (прогрев) выполняется медленно, так как происходит компиляция; последующие вызовы с теми же формами повторно используют скомпилированный граф.

> [!IMPORTANT]
> TorchNeuron требует *статических форм*, поэтому передайте `dynamic=False`. Новые значения `height` или `width` вызывают повторную компиляцию для соответствующей формы. Уже встреченные формы переиспользуются. Изменение `num_inference_steps` не приводит к повторной компиляции.

```python
import torch

from diffusers import Flux2KleinPipeline

pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-4B", dtype=torch.bfloat16)
pipe.to("neuron")
pipe.transformer.compile(backend="neuron", fullgraph=True, dynamic=False)

# Warmup — triggers static graph compilation.
pipe(prompt="warmup", height=1024, width=1024, num_inference_steps=4)

# Later calls with the same shapes reuse the compiled graph.
image = pipe(
    prompt="a golden retriever surfing a wave, photorealistic",
    height=1024,
    width=1024,
    num_inference_steps=4,
).images[0]

image.save("output.png")
```

Для трансформеров с повторяющимися блоками используйте `compile_repeated_blocks(...)`, чтобы компилировать эти блоки по отдельности. Такой блок переиспользуется, что значительно сокращает время компиляции.

## Параллелизм тензоров

Следуйте руководству [Tensor parallelism](./tensor_parallelism) для загрузки модели, планов шардирования и ограничений. Чтобы адаптировать его пример для Neuron, замените настройку процесс-группы CUDA и устройств на следующую.

На Neuron инициализируйте группу процессов с `backend="neuron"` и создайте сетку с помощью `DeviceMesh("neuron", ...)`.

```python
import torch
import torch.distributed as dist
from torch.distributed.device_mesh import DeviceMesh

from diffusers import TensorParallelConfig

dist.init_process_group(backend="neuron")
mesh = DeviceMesh("neuron", list(range(dist.get_world_size())))
device = torch.neuron.current_device()
parallel_config = TensorParallelConfig(mesh=mesh)
```

Передайте этот `parallel_config` в метод [from_pretrained()](/docs/diffusers/main/ru/api/models/overview#diffusers.ModelMixin.from_pretrained) трансформера и используйте `device` для остальных компонентов конвейера.

Запустите один процесс на каждый NeuronCore. Установите значение `--nproc_per_node` равным количеству NeuronCores, на которые вы хотите распределить модель.

```bash
torchrun --nproc_per_node=8 tensor_parallel_neuron.py
```