# Google TPU

Tensor Processing Units (TPU) — это ускорители машинного обучения от Google, доступные в виде Cloud TPU (v6e, v7x). Diffusers работает на них через [TorchTPU](https://github.com/google-pytorch/torch_tpu/), бэкенд PyTorch для TPU, с минимальными изменениями кода.

Доступны три режима выполнения:

| Режим | Постоянная | Как активировать | Примечания |
|---|---|---|---|
| Строгий режим eager (по умолчанию) | `EagerMode.DEFER_NEVER` | `pipe.to("tpu")` | Операции, отправляемые по одной, асинхронные |
| Оптимизированный режим eager | `EagerMode.DEFER_AND_FUSE` | `TORCH_TPU_DEFER_AND_FUSE=1` | Операции откладываются и объединяются в более крупные графы; быстрее строгого режима eager, но время компиляции дольше |
| Компиляция | — | `torch.compile(module, backend="tpu")` | AOT-компиляция с `TpuBackend` |

Следуйте [инструкции по установке TorchTPU](https://github.com/google-pytorch/torch_tpu/). После установки `import torch` автоматически загружает его и регистрирует устройство `"tpu"`, поэтому единственным необходимым изменением является `pipe.to("tpu")`. Добавляйте `import torch_tpu` только в том случае, если вы отключили автоматическую загрузку бэкенда с помощью `TORCH_DEVICE_BACKEND_AUTOLOAD=0`.

## Режим Eager

FLUX.1-schnell не помещается целиком на одном чипе v6e, поэтому используйте [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/ru/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload), чтобы перемещать каждую модель на TPU только во время её выполнения. Устройство `"tpu"` определяется автоматически.

```python
import torch

from diffusers import FluxPipeline

pipe = FluxPipeline.from_pretrained("black-forest-labs/FLUX.1-schnell", dtype=torch.bfloat16)
pipe.enable_model_cpu_offload()

image = pipe(
    prompt="a golden retriever surfing a wave, photorealistic",
    height=1024,
    width=1024,
    num_inference_steps=4,
    guidance_scale=0.0,
).images[0]

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

Если модель слишком велика для одного чипа или у вас несколько чипов и вы хотите снизить задержку, распределите модели по чипам. См. раздел [Tensor parallelism](#tensor-parallelism).

## Скомпилированный режим

TorchTPU регистрирует `"tpu"` как имя бэкенда для `torch.compile` (внутри используется `TpuBackend`), 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]
> TorchTPU требует **статических форм**, поэтому передайте `dynamic=False`. Новая `height` или `width` приводит к повторной компиляции для этой формы, но только один раз; уже встреченные формы переиспользуются. Изменение `num_inference_steps` не вызывает повторной компиляции.

Если весь пайплайн помещается на один чип, перенесите его на TPU и скомпилируйте полный трансформер. Stable Diffusion 3.5 Medium (~15 ГБ в bf16) помещается на один чип v6e.

```python
import torch

from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-medium", dtype=torch.bfloat16)
pipe.to("tpu")
pipe.transformer.compile(backend="tpu", fullgraph=True, dynamic=False)

# Warmup — triggers static graph compilation.
pipe(prompt="warmup", height=1024, width=1024, num_inference_steps=40, guidance_scale=4.5)

# 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=40,
    guidance_scale=4.5,
).images[0]

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

Если пайплайн не помещается на одном чипе:

- При использовании нескольких чипов вместо этого применяйте [tensor parallelism](#tensor-parallelism). Всё остаётся на TPU, и `pipe.transformer.compile(...)` работает так же и с шардированным трансформером.
- При использовании [enable_model_cpu_offload()](/docs/diffusers/v0.43.0/ru/api/pipelines/overview#diffusers.DiffusionPipeline.enable_model_cpu_offload) хуки offload не могут быть отслежены `torch.compile`. Компилируйте только повторяющиеся блоки трансформера с помощью `pipe.transformer.compile_repeated_blocks(backend="tpu", fullgraph=True, dynamic=False)`.

## Параллелизм тензоров

Размещайте модели, слишком большие для одного чипа, на нескольких. Текстовый энкодер (~48 ГБ) и трансформер (~64 ГБ) FLUX.2-dev по отдельности превышают объём одного чипа, поэтому в примере ниже оба компонента распределяются по нескольким чипам:

- трансформер с [TensorParallelConfig](/docs/diffusers/v0.43.0/ru/api/parallel#diffusers.TensorParallelConfig), переданным в аргумент `parallel_config` метода [from_pretrained()](/docs/diffusers/v0.43.0/ru/api/models/overview#diffusers.ModelMixin.from_pretrained). Каждый ранг читает только свой срез каждого шардированного веса, поэтому полная модель никогда не материализуется. Общие сведения о TP (`_tp_plan`, colwise/rowwise) см. в руководстве [Tensor parallelism](./tensor_parallelism).
- текстовый энкодер с собственным [тензорным параллелизмом](https://huggingface.co/docs/transformers/perf_infer_gpu_multi) Transformers, передавая [DistributedConfig](https://huggingface.co/docs/transformers/v5.22.2/en/expert_parallelism#transformers.DistributedConfig) и ту же сетку.

На TPU инициализируйте группу процессов с `backend="tpu_dist"` и создайте сетку с помощью `DeviceMesh("tpu", ...)`.

```python
import torch
import torch.distributed as dist
from torch.distributed.device_mesh import DeviceMesh
from transformers import DistributedConfig, Mistral3ForConditionalGeneration

from diffusers import Flux2Pipeline, Flux2Transformer2DModel, TensorParallelConfig

dist.init_process_group(backend="tpu_dist")
mesh = DeviceMesh("tpu", list(range(dist.get_world_size())))

repo_id = "black-forest-labs/FLUX.2-dev"
text_encoder = Mistral3ForConditionalGeneration.from_pretrained(
    repo_id,
    subfolder="text_encoder",
    dtype=torch.bfloat16,
    distributed_config=DistributedConfig(tp_plan="auto"),
    device_mesh=mesh,
)
transformer = Flux2Transformer2DModel.from_pretrained(
    repo_id, subfolder="transformer", dtype=torch.bfloat16, parallel_config=TensorParallelConfig(mesh=mesh)
)
pipe = Flux2Pipeline.from_pretrained(
    repo_id, text_encoder=text_encoder, transformer=transformer, dtype=torch.bfloat16
)
pipe.vae.to("tpu")

image = pipe(
    prompt="a golden retriever surfing a wave, photorealistic",
    num_inference_steps=28,
    generator=torch.Generator("cpu").manual_seed(0),
).images[0]
if dist.get_rank() == 0:
    image.save("output.png")
```

Запустите один процесс на чип. Установите `--nproc_per_node` в значение, равное общему числу чипов TPU на вашем хосте.

```bash
eval $(python -m torch_tpu._internal.distributed.launchers.singlehost_wrapper | sed 's/^/export /')
torchrun --nproc_per_node=8 flux2_tp.py
```

> [!WARNING]
> Команда запуска выше использует внутренний модуль TorchTPU (`torch_tpu._internal`), а не стабильный API, и в будущих версиях TorchTPU может измениться. Актуальный способ запуска многочиповых задач смотрите в [репозитории TorchTPU](https://github.com/google-pytorch/torch_tpu/).