# Distribuir los componentes del modelo entre GPUs con device_map

El argumento `device_map` coloca los componentes del modelo en GPUs separadas. Úsalo cuando un modelo no quepa en una sola GPU y tus GPUs no cuenten con un interconexión rápida. Consulta [Inferencia distribuida](../training/distributed_inference) para compararlo con las demás estrategias, y [Colocación de dispositivos](./memory#device-placement) para más opciones de `device_map`.

El ejemplo siguiente carga cada componente solo para la etapa que lo necesita y usa `device_map` para distribuir los más grandes entre dos GPUs.

## Codificar el prompt

Establezca `device_map="balanced"` para colocar los codificadores de texto en GPUs separadas. Use `max_memory` para limitar la cantidad de memoria que utiliza cada GPU. Establezca `transformer` y `vae` en `None` para que solo se carguen los codificadores de texto.

```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
    )
```

Una vez que tengas los embeddings de texto, elimina los codificadores de texto de la GPU para hacer espacio para el transformer.

```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()
```

## Denoise con el transformer fragmentado

Establezca `device_map="auto"` para que Accelerate coloque el transformer. Llena la primera GPU antes de pasar a la siguiente y solo utiliza la CPU o el disco cuando las GPUs se quedan sin memoria. En dos GPUs más pequeñas, el transformer queda dividido entre ambas. Los pesos en la CPU o en el disco ralentizan la inferencia.

```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]
> Compruebe `transformer.hf_device_map` para ver cómo se distribuye el transformer entre los dispositivos. Un pipeline cargado con `device_map` también tiene un atributo `hf_device_map` que muestra dónde se coloca cada componente.

Carga un pipeline con solo el transformer y establece `output_type="latent"` para que devuelva latentes en lugar de imágenes.

```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
```

## Decodificar los latentes

Elimine el pipeline y el transformer de la memoria y cargue un VAE para decodificar los latentes. El VAE es lo suficientemente pequeño como para caber en una sola GPU.

```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")
```

Al cargar y descargar selectivamente los modelos que necesita en cada etapa y dividir los modelos más grandes entre varias GPU, puede ejecutar inferencia con modelos grandes en GPU de consumo.