分布式推理

分布式推理将工作负载拆分到多个 GPU 上。它有助于在内存中容纳更大的模型，并同时处理更多提示。

Diffusers 支持四种策略。每种策略都有各自的指南，本页将帮助你选择其中一种。

选择策略

每种策略解决不同的问题，因此请根据限制你的资源选择一种。

策略	拆分	减少	单个提示词的延迟	最佳适用场景
数据并行	副本之间的提示	无，因为每个 GPU 都保存一份完整副本	unchanged	模型已经适配，并且您拥有许多提示
device_map	跨设备的组件	权重内存	略差	模型无法容纳，且互连速度较慢
上下文并行	输入序列	激活内存	lower	序列较长，例如高分辨率图像或视频
张量并行	权重矩阵	权重内存	lower	某个组件的权重无法容纳，且互连速度很快

一些实用建议：

如果模型本身已经能够装入显存，且你有大量提示词，请使用数据并行。它在不改动模型的情况下，通过增加 GPU 数量来提升吞吐量，同时不会影响单条提示词的延迟。你可以使用 Accelerate 或 PyTorch Distributed 来配置。
如果单个组件的权重无法容纳，请优先尝试张量并行，因为它能同时降低内存占用和延迟。张量并行在每个块边界处都需要通信，因此需要 NVLink 等高速互连。在 PCIe 上，每层的通信开销可能会超过其节省的计算量，此时 device_map 是更好的选择。device_map 还能处理各组件单独来看没问题、但整体规模过大的情况。
如果问题出在激活值而非权重上，请使用上下文并行。这有助于处理长序列，例如包含大量帧的大型图像和视频。请从上下文并行指南中的基准测试中选择一个后端。
如果权重和序列都过大，Diffusers 无法对同一模型同时应用张量并行和上下文并行。如果同时传入两个配置，ParallelConfig 会抛出错误，并且无法对已经并行化的模型第二次调用 enable_parallelism。

xDiT 和 ParaAttention 社区集成提供了它们自己的上下文并行实现。