Acelerar la inferencia

Los modelos de difusión son lentos en la inferencia porque la generación es un proceso iterativo en el que el ruido se refina gradualmente hasta convertirse en una imagen o un video a lo largo de un número determinado de “pasos”. Para acelerar este proceso, puedes experimentar con diferentes schedulers, reducir la precisión de los pesos del modelo para cálculos más rápidos, utilizar mecanismos de atención más eficientes en memoria, entre otras cosas.

Combine y utilice estas técnicas juntas para lograr una inferencia más rápida que la obtenida al usar cualquier técnica de forma individual.

Esta guía explica cómo acelerar la inferencia.

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. PyTorch carga los pesos del modelo en float32 o precisión completa de forma predeterminada, 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 eficiente en memoria optimiza la velocidad de inferencia y el uso de memoria

Scaled dot product attention (SDPA) implementa varios backends de atención, FlashAttention, xFormers y una implementación nativa en C++. Selecciona automáticamente el backend más óptimo para tu hardware.

SDPA está habilitado de forma predeterminada si estás usando PyTorch >= 2.0 y no se requieren cambios adicionales en tu código. Sin embargo, puedes experimentar con otros backends de atención si deseas elegir el tuyo. El ejemplo de abajo utiliza el gestor de contexto torch.nn.attention.sdpa_kernel para habilitar una atención eficiente.

from torch.nn.attention import SDPBackend, sdpa_kernel
import torch
from diffusers import StableDiffusionXLPipeline

pipeline = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"

prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k"

with sdpa_kernel(SDPBackend.EFFICIENT_ATTENTION):
  image = pipeline(prompt, num_inference_steps=30).images[0]

torch.compile

torch.compile acelera la inferencia al compilar el código y las operaciones de PyTorch en kernels optimizados. Diffusers suele compilar los modelos más intensivos en cómputo, como UNet, transformer o 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

Cargue y compile el UNet y el VAE. Hay varios modos diferentes entre los que puede elegir, pero "max-autotune" optimiza para la velocidad más rápida compilando a un grafo de CUDA. Los grafos de CUDA reducen eficazmente la sobrecarga al lanzar múltiples operaciones de GPU a través de una sola operación de CPU.

Con PyTorch 2.3.1, puedes controlar el comportamiento de la caché de torch.compile. Esto resulta especialmente beneficioso para modos de compilación como "max-autotune", que realiza una búsqueda por cuadrícula sobre varias banderas de compilación para encontrar la configuración óptima. Obtén más información en el tutorial Caché de tiempo de compilación en torch.compile.

Cambiar el diseño de memoria a channels_last también optimiza la memoria y la velocidad de inferencia.

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.vae.to(memory_format=torch.channels_last)
pipeline.unet = torch.compile(
    pipeline.unet, mode="max-autotune", fullgraph=True
)
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, pero una vez compilado, es significativamente más rápido. Intente usar el pipeline compilado solo para el mismo tipo de operaciones de inferencia. Llamar al pipeline compilado con un tamaño de imagen diferente vuelve a desencadenar la compilación, lo cual es lento e ineficiente.

Compilación de formas dinámicas

Asegúrate de usar siempre la versión nocturna de PyTorch para obtener un mejor soporte.

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 compilando 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 las mismas mejoras de velocidad de ejecución que la compilación de grafo completo y reduce el tiempo de compilación entre 8 y 10 veces.

Utilice el método compile_repeated_blocks(), un auxiliar que envuelve torch.compile, en cualquier componente, como el modelo transformer, tal como se muestra a continuación.

# pip install -U diffusers
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"

# compile only the repeated transformer layers inside the UNet
pipeline.unet.compile_repeated_blocks(fullgraph=True)

Para habilitar la compilación regional para un nuevo modelo, agregue un atributo _repeated_blocks a una clase de modelo que contenga los nombres de las clases (como cadenas de texto) de los bloques que desea compilar.

class MyUNet(ModelMixin):
    _repeated_blocks = ("Transformer2DModel",)  # ← compiled by default

Para más ejemplos de compilación regional, consulte la PR de referencia.

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

Es importante especificar fullgraph=True en torch.compile para garantizar que no haya interrupciones en el grafo del modelo subyacente. Esto permite aprovechar torch.compile sin ninguna degradación de rendimiento. Para UNet y VAE, esto cambia cómo se accede a las variables de retorno.

- latents = unet(
-   latents, timestep=timestep, encoder_hidden_states=prompt_embeds
-).sample

+ latents = unet(
+   latents, timestep=timestep, encoder_hidden_states=prompt_embeds, return_dict=False
+)[0]

Sincronización de GPU

La función step() se llama en el programador cada vez que el desruidador realiza una predicción, y la variable sigmas se indexa. Al colocarse en la GPU, introduce latencia debido a la sincronización de comunicación entre la CPU y la GPU. Esto se vuelve más evidente cuando el desruidador ya ha sido compilado.

En general, los sigmas deben permanecer en la CPU para evitar la sincronización de comunicación y la latencia.

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.

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 a un agente, como Claude o Codex, escribir kernels personalizados dirigidos a un modelo específico y a tu hardware.

Instale la habilidad add cuda-kernels para enseñar a un agente a escribir un kernel. La publicación de blog Custom kernels for all from Codex and Claude lo cubre en más detalle.

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

Cuantización dinámica mejora la velocidad de inferencia al reducir la precisión para habilitar operaciones matemáticas más rápidas. Este tipo particular de cuantización determina cómo escalar las activaciones en función de los datos en tiempo de ejecución, en lugar de utilizar un factor de escala fijo. Como resultado, el factor de escala se alinea con mayor precisión con los datos.

El ejemplo siguiente aplica cuantización dinámica int8 al UNet y al VAE con la biblioteca torchao.

Consulte nuestra documentación de torchao para obtener más información sobre cómo usar la integración de torchao de Diffusers.

Configure las etiquetas del compilador para la máxima velocidad.

import torch
from torchao import apply_dynamic_quant
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
torch._inductor.config.force_fuse_int_mm_with_mul = True
torch._inductor.config.use_mixed_mm = True

Filtre algunas capas lineales en el UNet y el VAE que no se benefician de la cuantización dinámica con dynamic_quant_filter_fn.

pipeline = StableDiffusionXLPipeline.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"

apply_dynamic_quant(pipeline.unet, dynamic_quant_filter_fn)
apply_dynamic_quant(pipeline.vae, dynamic_quant_filter_fn)

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

Matrices de proyección fusionadas

El método fuse_qkv_projections es experimental y su soporte está limitado principalmente a los pipelines de Stable Diffusion. Consulta este PR para obtener más información sobre cómo habilitarlo en otros pipelines.

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()

Recursos

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.
Lee el artículo de blog torch.compile y Diffusers: una guía práctica para el rendimiento máximo para maximizar el rendimiento al usar torch.compile.

Update on GitHub