Hugging Face's logo

Diffusers documentation

Pruna

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Pruna

Pruna 是一个模型优化框架，提供多种优化方法——量化、剪枝、缓存、编译——以加速推理并降低内存占用。下图展示了这些优化方法的总体概览。

技术描述速度内存质量
batcher将多个输入组合在一起以同时处理，从而提高计算效率并缩短处理时间。✅❌➖
cacher存储计算的中间结果，以加速后续操作。✅➖➖
compiler针对特定硬件优化模型。✅➖➖
distiller训练一个更小、更简单的模型，以模拟一个更大、更复杂的模型。✅✅❌
quantizer降低权重和激活值的精度，从而减少内存需求。✅✅❌
pruner移除不太重要或冗余的连接和神经元，从而得到一个更稀疏、更高效的网络。✅✅❌
recoverer恢复模型压缩后的性能。➖➖✅
factorizerFactorization 将多个小型矩阵乘法合并为一个大型融合操作。✅➖➖
enhancer通过应用去噪或放大等后处理算法来增强模型输出。❌-✅

✅（改善），➖（大致相同），❌（恶化）

在 Pruna 文档中了解完整的优化方法。

安装

使用以下命令安装 Pruna。

pip install pruna

优化 Diffusers 模型

如下所示，Diffusers 模型支持多种优化算法。

Overview of the supported optimization algorithms for diffusers models

以下示例通过组合使用 factorizer、compiler 和 cacher 算法来优化 black-forest-labs/FLUX.1-dev。该组合可将推理速度提升最高 4.2 倍，并将 GPU 峰值内存占用从 34.7GB 降低至 28.0GB，同时几乎保持相同的输出质量。

请参阅 Pruna 优化 文档，以了解本示例中使用的优化技术。

Optimization techniques used for FLUX.1-dev showing the combination of factorizer, compiler, and cacher algorithms

首先，定义一个 SmashConfig，指定要使用的优化算法。要优化模型，请使用 smash 将 pipeline 和 SmashConfig 包装起来，然后像往常一样使用 pipeline 进行推理。

import torch
from diffusers import FluxPipeline

from pruna import PrunaModel, SmashConfig, smash

# load the model
# Try segmind/Segmind-Vega or black-forest-labs/FLUX.1-schnell with a small GPU memory
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"

# define the configuration
smash_config = SmashConfig()
smash_config["factorizer"] = "qkv_diffusers"
smash_config["compiler"] = "torch_compile"
smash_config["torch_compile_target"] = "module_list"
smash_config["cacher"] = "fora"
smash_config["fora_interval"] = 2

# for the best results in terms of speed you can add these configs
# however they will increase your warmup time from 1.5 min to 10 min
# smash_config["torch_compile_mode"] = "max-autotune-no-cudagraphs"
# smash_config["quantizer"] = "torchao"
# smash_config["torchao_quant_type"] = "fp8dq"
# smash_config["torchao_excluded_modules"] = "norm+embedding"

# optimize the model
smashed_pipe = smash(pipe, smash_config)

# run the model
smashed_pipe("a knitted purple prune").images[0]

优化完成后，我们可以使用 Hugging Face Hub 来共享和加载优化后的模型。

# save the model
smashed_pipe.save_to_hub("<username>/FLUX.1-dev-smashed")

# load the model
smashed_pipe = PrunaModel.from_hub("<username>/FLUX.1-dev-smashed")

评估和基准测试 Diffusers 模型

Pruna 提供了 EvaluationAgent，用于评估您优化后模型的质量。

我们可以关注诸如总耗时和吞吐量等指标，以及用于评估的数据集。我们可以定义一个模型并将其传递给 EvaluationAgent。

优化后的模型
独立模型

我们可以使用 EvaluationAgent 加载并评估优化后的模型，并将其传递给 Task。

import torch
from diffusers import FluxPipeline

from pruna import PrunaModel
from pruna.data.pruna_datamodule import PrunaDataModule
from pruna.evaluation.evaluation_agent import EvaluationAgent
from pruna.evaluation.metrics import (
    ThroughputMetric,
    TorchMetricWrapper,
    TotalTimeMetric,
)
from pruna.evaluation.task import Task

# define the device
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"

# load the model
# Try PrunaAI/Segmind-Vega-smashed or PrunaAI/FLUX.1-dev-smashed with a small GPU memory
smashed_pipe = PrunaModel.from_hub("PrunaAI/FLUX.1-dev-smashed")

# Define the metrics
metrics = [
    TotalTimeMetric(n_iterations=20, n_warmup_iterations=5),
    ThroughputMetric(n_iterations=20, n_warmup_iterations=5),
    TorchMetricWrapper("clip"),
]

# Define the datamodule
datamodule = PrunaDataModule.from_string("LAION256")
datamodule.limit_datasets(10)

# Define the task and evaluation agent
task = Task(metrics, datamodule=datamodule, device=device)
eval_agent = EvaluationAgent(task)

# Evaluate smashed model and offload it to CPU
smashed_pipe.move_to_device(device)
smashed_pipe_results = eval_agent.evaluate(smashed_pipe)
smashed_pipe.move_to_device("cpu")

现在你已经了解了如何优化和评估模型，可以开始使用 Pruna 来优化自己的模型了。幸运的是，我们提供了许多示例来帮助你入门。

有关 Flux 基准测试的更多详细信息，请参阅 Announcing FLUX-Juiced: The Fastest Image Generation Endpoint (2.6 times faster)! 博客文章以及 InferBench Space。

参考

Update on GitHub

←ParaAttention xDiT→