使用 Torch-TensorRT dynamo 后端编译 FLUX.1-dev 模型

本示例展示了使用 Torch-TensorRT 优化的最先进模型 FLUX.1-dev。

FLUX.1 [dev] 是一个拥有 120 亿参数的修正流 Transformer 模型，能够根据文本描述生成图像。它是一个用于非商业应用的开放权重、引导蒸馏模型。

要运行此演示，您需要访问 Flux 模型（如果您尚未在 FLUX.1-dev 页面上获得访问权限，请申请访问）并安装以下依赖项

pip install sentencepiece=="0.2.0" transformers=="4.48.2" accelerate=="1.3.0" diffusers=="0.32.2" protobuf=="5.29.3"

FLUX.1-dev 流水线有不同的组件，例如 transformer、vae、text_encoder、tokenizer 和 scheduler。在本示例中，我们演示了如何优化模型的 transformer 组件（它通常消耗超过 95% 的端到端扩散延迟）

import register_sdpa  # Register SDPA as a standalone operator

导入以下库

import torch
import torch_tensorrt
from diffusers import FluxPipeline
from torch.export._trace import _export

定义 FLUX-1.dev 模型

使用 FluxPipeline 类加载 FLUX-1.dev 预训练流水线。FluxPipeline 包含不同的组件，例如 transformer、vae、text_encoder、tokenizer 和 scheduler，这些都是生成图像所必需的。我们使用 torch_dtype 参数以 FP16 精度加载权重

DEVICE = "cuda:0"
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-dev",
    torch_dtype=torch.float16,
)

# Store the config and transformer backbone
config = pipe.transformer.config
backbone = pipe.transformer.to(DEVICE)

使用 torch.export 导出骨干网络

定义虚假输入及其各自的动态形状。我们使用动态形状导出 Transformer 骨干网络，由于 0/1 专用化，batch_size=2

batch_size = 2
BATCH = torch.export.Dim("batch", min=1, max=2)
SEQ_LEN = torch.export.Dim("seq_len", min=1, max=512)
# This particular min, max values for img_id input are recommended by torch dynamo during the export of the model.
# To see this recommendation, you can try exporting using min=1, max=4096
IMG_ID = torch.export.Dim("img_id", min=3586, max=4096)
dynamic_shapes = {
    "hidden_states": {0: BATCH},
    "encoder_hidden_states": {0: BATCH, 1: SEQ_LEN},
    "pooled_projections": {0: BATCH},
    "timestep": {0: BATCH},
    "txt_ids": {0: SEQ_LEN},
    "img_ids": {0: IMG_ID},
    "guidance": {0: BATCH},
    "joint_attention_kwargs": {},
    "return_dict": None,
}
# The guidance factor is of type torch.float32
dummy_inputs = {
    "hidden_states": torch.randn((batch_size, 4096, 64), dtype=torch.float16).to(
        DEVICE
    ),
    "encoder_hidden_states": torch.randn(
        (batch_size, 512, 4096), dtype=torch.float16
    ).to(DEVICE),
    "pooled_projections": torch.randn((batch_size, 768), dtype=torch.float16).to(
        DEVICE
    ),
    "timestep": torch.tensor([1.0, 1.0], dtype=torch.float16).to(DEVICE),
    "txt_ids": torch.randn((512, 3), dtype=torch.float16).to(DEVICE),
    "img_ids": torch.randn((4096, 3), dtype=torch.float16).to(DEVICE),
    "guidance": torch.tensor([1.0, 1.0], dtype=torch.float32).to(DEVICE),
    "joint_attention_kwargs": {},
    "return_dict": False,
}
# This will create an exported program which is going to be compiled with Torch-TensorRT
ep = _export(
    backbone,
    args=(),
    kwargs=dummy_inputs,
    dynamic_shapes=dynamic_shapes,
    strict=False,
    allow_complex_guards_as_runtime_asserts=True,
)

Torch-TensorRT 编译

注意

编译需要具有大内存（> 80GB）的 GPU，因为 TensorRT 以 FP32 精度存储权重。这是一个已知问题，将在未来解决。

我们通过 use_fp32_acc=True 启用 FP32 矩阵乘法累加，以通过引入到 FP32 节点的转换来确保精度得到保留。我们还启用显式类型，以确保 TensorRT 遵循用户设置的数据类型，这是 FP32 矩阵乘法累加的要求。由于这是一个 120 亿参数的模型，因此在 H100 GPU 上编译大约需要 20-30 分钟。该模型完全可转换，并生成单个 TensorRT 引擎。

trt_gm = torch_tensorrt.dynamo.compile(
    ep,
    inputs=dummy_inputs,
    enabled_precisions={torch.float32},
    truncate_double=True,
    min_block_size=1,
    use_fp32_acc=True,
    use_explicit_typing=True,
    immutable_weights=False,
    offload_module_to_cpu=True,
)

后处理

释放由导出的程序和 pipe.transformer 占用的 GPU 内存。将 Flux 流水线中的 transformer 设置为 Torch-TRT 编译的模型

pipe.transformer = None
pipe.to(DEVICE)
pipe.transformer = trt_gm
del ep
torch.cuda.empty_cache()
pipe.transformer.config = config
trt_gm.device = torch.device("cuda")

使用提示生成图像

提供要生成的图像的提示和文件名。这里我们使用提示 一只金毛猎犬举着一个写着“代码”的牌子。

# Function which generates images from the flux pipeline
def generate_image(pipe, prompt, image_name):
    seed = 42
    image = pipe(
        prompt,
        output_type="pil",
        num_inference_steps=20,
        generator=torch.Generator("cuda").manual_seed(seed),
    ).images[0]
    image.save(f"{image_name}.png")
    print(f"Image generated using {image_name} model saved as {image_name}.png")


generate_image(pipe, ["A golden retriever holding a sign to code"], "dog_code")

生成的图像如下所示