分布式推理

在分布式设置中，您可以使用 🤗 Accelerate 或 PyTorch Distributed 在多个 GPU 上运行推理，这对于并行生成多个提示非常有用。

本指南将向您展示如何使用 🤗 Accelerate 和 PyTorch Distributed 进行分布式推理。

🤗 Accelerate

🤗 Accelerate 是一个旨在简化在分布式设置中训练或运行推理的库。它简化了设置分布式环境的过程，让您可以专注于您的 PyTorch 代码。

首先，创建一个 Python 文件并初始化一个 [accelerate.PartialState] 来创建分布式环境；您的设置会自动检测，因此您无需明确定义 rank 或 world_size。将 [DiffusionPipeline] 移动到 distributed_state.device 以为每个进程分配一个 GPU。

现在使用 [~accelerate.PartialState.split_between_processes] 实用程序作为上下文管理器，自动在进程数之间分发提示。

import torch
from accelerate import PartialState
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16, use_safetensors=True
)
distributed_state = PartialState()
pipeline.to(distributed_state.device)

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")

使用 --num_processes 参数指定要使用的 GPU 数量，并调用 accelerate launch 来运行脚本：

accelerate launch run_distributed.py --num_processes=2

[!TIP] 参考这个最小示例 脚本 以在多个 GPU 上运行推理。要了解更多信息，请查看 使用 🤗 Accelerate 进行分布式推理 指南。

PyTorch Distributed

PyTorch 支持 DistributedDataParallel，它启用了数据 并行性。

首先，创建一个 Python 文件并导入 torch.distributed 和 torch.multiprocessing 来设置分布式进程组，并为每个 GPU 上的推理生成进程。您还应该初始化一个 [DiffusionPipeline]：

import torch
import torch.distributed as dist
import torch.multiprocessing as mp

from diffusers import DiffusionPipeline

sd = DiffusionPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5", torch_dtype=torch.float16, use_safetensors=True
)

您需要创建一个函数来运行推理；init_process_group 处理创建一个分布式环境，指定要使用的后端类型、当前进程的 rank 以及参与进程的数量 world_size。如果您在 2 个 GPU 上并行运行推理，那么 world_size 就是 2。

将 [DiffusionPipeline] 移动到 rank，并使用 get_rank 为每个进程分配一个 GPU，其中每个进程处理不同的提示：

def run_inference(rank, world_size):
    dist.init_process_group("nccl", rank=rank, world_size=world_size)

    sd.to(rank)

    if torch.distributed.get_rank() == 0:
        prompt = "a dog"
    elif torch.distributed.get_rank() == 1:
        prompt = "a cat"

    image = sd(prompt).images[0]
    image.save(f"./{'_'.join(prompt)}.png")

要运行分布式推理，调用 mp.spawn 在 world_size 定义的 GPU 数量上运行 run_inference 函数：

def main():
    world_size = 2
    mp.spawn(run_inference, args=(world_size,), nprocs=world_size, join=True)


if __name__ == "__main__":
    main()

完成推理脚本后，使用 --nproc_per_node 参数指定要使用的 GPU 数量，并调用 torchrun 来运行脚本：

torchrun run_distributed.py --nproc_per_node=2

[!TIP] 您可以在 [DiffusionPipeline] 中使用 device_map 将其模型级组件分布在多个设备上。请参考 设备放置 指南了解更多信息。

模型分片

现代扩散系统，如 Flux，非常大且包含多个模型。例如，Flux.1-Dev 由两个文本编码器 - T5-XXL 和 CLIP-L - 一个 扩散变换器，以及一个 VAE 组成。对于如此大的模型，在消费级 GPU 上运行推理可能具有挑战性。

模型分片是一种技术，当模型无法容纳在单个 GPU 上时，将模型分布在多个 GPU 上。下面的示例假设有两个 16GB GPU 可用于推理。

开始使用文本编码器计算文本嵌入。通过设置 device_map="balanced" 将文本编码器保持在两个GPU上。balanced 策略将模型均匀分布在所有可用GPU上。使用 max_memory 参数为每个GPU上的每个文本编码器分配最大内存量。

[!TIP] 仅 在此步骤加载文本编码器！扩散变换器和VAE在后续步骤中加载以节省内存。

from diffusers import FluxPipeline
import torch

prompt = "a photo of a dog with cat-like look"

pipeline = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    transformer=None,
    vae=None,
    device_map="balanced",
    max_memory={0: "16GB", 1: "16GB"},
    torch_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
    )

一旦文本嵌入计算完成，从GPU中移除它们以为扩散变换器腾出空间。

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()

接下来加载扩散变换器，它有125亿参数。这次，设置 device_map="auto" 以自动将模型分布在两个16GB GPU上。auto 策略由 Accelerate 支持，并作为 大模型推理 功能的一部分可用。它首先将模型分布在最快的设备（GPU）上，然后在需要时移动到较慢的设备如CPU和硬盘。将模型参数存储在较慢设备上的权衡是推理延迟较慢。

from diffusers import AutoModel
import torch 

transformer = AutoModel.from_pretrained(
    "black-forest-labs/FLUX.1-dev", 
    subfolder="transformer",
    device_map="auto",
    torch_dtype=torch.bfloat16
)

[!TIP] 在任何时候，您可以尝试 print(pipeline.hf_device_map) 来查看各种模型如何在设备上分布。这对于跟踪模型的设备放置很有用。您也可以尝试 print(transformer.hf_device_map) 来查看变换器模型如何在设备上分片。

将变换器模型添加到管道中以进行去噪，但将其他模型级组件如文本编码器和VAE设置为 None，因为您还不需要它们。

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,
    torch_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

从内存中移除管道和变换器，因为它们不再需要。

del pipeline.transformer
del pipeline

flush()

最后，使用变分自编码器（VAE）将潜在表示解码为图像。VAE通常足够小，可以在单个GPU上加载。

from diffusers import AutoencoderKL
from diffusers.image_processor import VaeImageProcessor
import torch 

vae = AutoencoderKL.from_pretrained(ckpt_id, subfolder="vae", torch_dtype=torch.bfloat16).to("cuda")
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("运行解码中。")
    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")

通过选择性加载和卸载在特定阶段所需的模型，并将最大模型分片到多个GPU上，可以在消费级GPU上运行大型模型的推理。