使用多个 GPU 进行分布式推理

译者：片刻小哥哥

项目地址：https://huggingface.apachecn.org/docs/diffusers/training/distributed_inference

原始地址：https://huggingface.co/docs/diffusers/training/distributed_inference

在分布式设置中，您可以使用 🤗 跨多个 GPU 运行推理 加速 或者 PyTorch 分布式 ，这对于并行生成多个提示很有用。

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

🤗 加速

🤗 加速 是一个旨在轻松跨分布式设置训练或运行推理的库。它简化了设置分布式环境的过程，使您可以专注于 PyTorch 代码。

首先，创建一个 Python 文件并初始化 accelerate.PartialState 创建分布式环境；您的设置会自动检测到，因此您无需显式定义 等级 或者 世界大小 。移动 DiffusionPipeline 到 distributed_state.device 为每个进程分配一个 GPU。

现在使用 进程之间的分割 作为上下文管理器的实用程序可以在多个进程之间自动分配提示。

import torch
from accelerate import PartialState
from diffusers import DiffusionPipeline

pipeline = DiffusionPipeline.from_pretrained(
    "runwayml/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 ‘加速发射’ 运行脚本：

accelerate launch run_distributed.py --num_processes=2

要了解更多信息，请查看 使用 🤗 Accelerate 进行分布式推理 指导。

PyTorch 分布式

PyTorch 支持 DistributedDataParallel 这使得数据并行。

首先，创建一个 Python 文件并导入 torch.distributed 和 torch.multiprocessing 设置分布式进程组并在每个 GPU 上生成用于推理的进程。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(
    "runwayml/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 处理创建具有要使用的后端类型的分布式环境， 等级 当前进程的，以及 世界大小 或参与的进程数。如果您在 2 个 GPU 上并行运行推理，那么 世界大小 是 2。

移动 DiffusionPipeline 到 等级 并使用 获取排名 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，请调用 mp.spawn 运行 运行推理 函数中定义的 GPU 数量 世界大小 ：

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 指定要使用和调用的 GPU 数量的参数 torchrun 运行脚本：

torchrun run_distributed.py --nproc_per_node=2

---

我们一直在努力

apachecn/AiLearning

---