# AWS Trainium

[TorchNeuron](https://github.com/aws-neuron/torch-neuronx) é o backend nativo do PyTorch para Trainium2 e Trainium3. O Diffusers roda nessas instâncias por meio do pacote `torch_neuronx`, que registra um dispositivo `"neuron"`, permitindo que os pipelines sejam executados com o mesmo código de qualquer outro dispositivo.

Dois modos de execução estão disponíveis:

| Modo | Como ativar | Observações |
|---|---|---|
| Eager | `pipe.to("neuron")` | Operações despachadas uma de cada vez, assíncronas |
| Compilar | `torch.compile(module, backend="neuron")` | Compilação de grafo inteiro, formas estáticas |

Siga a [documentação do AWS Neuron](https://awsdocs-neuron.readthedocs-hosted.com/en/latest/) para configurar o Neuron SDK e instalar o `torch_neuronx`. Uma vez instalado, `import torch` o carrega automaticamente e registra o dispositivo `"neuron"`, de modo que `pipe.to("neuron")` é a única alteração necessária. Adicione `import torch_neuronx` apenas se você desativou o carregamento automático do backend com `TORCH_DEVICE_BACKEND_AUTOLOAD=0`.

No modo eager, cada operação é compilada na primeira vez que é executada. No modo compilado, a primeira chamada compila o grafo. Ambos os modos fazem o cache do formato executável Neuron compilado (NEFF) em `tmp/neff_cache` por padrão, e esse diretório é limpo na reinicialização. Defina `TORCH_NEURONX_NEFF_CACHE_DIR` para um diretório persistente para manter o cache.

## Modo Eager

FLUX.2-klein-4B cabe em um único NeuronCore, então mova o pipeline inteiro para o dispositivo `"neuron"`.

```python
import torch

from diffusers import Flux2KleinPipeline

pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-4B", dtype=torch.bfloat16)
pipe.to("neuron")

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

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

Se um modelo for grande demais para um único NeuronCore, ou se você tiver vários núcleos e quiser menor latência, distribua os modelos entre os núcleos. Consulte a seção [Paralelismo de tensor](#tensor-parallelism).

## Modo compilado

TorchNeuron registra `"neuron"` como um nome de backend para `torch.compile`, de modo que os componentes são compilados como qualquer outro alvo de `torch.compile`. A primeira chamada (aquecimento) é lenta porque realiza a compilação; chamadas subsequentes com as mesmas formas reutilizam o gráfico compilado.

> [!IMPORTANT]
> TorchNeuron requer *formas estáticas*, então passe `dynamic=False`. Um novo `height` ou `width` compila novamente para essa forma. Formas já vistas são reutilizadas. Alterar `num_inference_steps` não recompila.

```python
import torch

from diffusers import Flux2KleinPipeline

pipe = Flux2KleinPipeline.from_pretrained("black-forest-labs/FLUX.2-klein-4B", dtype=torch.bfloat16)
pipe.to("neuron")
pipe.transformer.compile(backend="neuron", fullgraph=True, dynamic=False)

# Warmup — triggers static graph compilation.
pipe(prompt="warmup", height=1024, width=1024, num_inference_steps=4)

# 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=4,
).images[0]

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

Para transformers com blocos repetidos, use `compile_repeated_blocks(...)` para compilar esses blocos individualmente. Esse bloco é reutilizado e reduz o tempo de compilação consideravelmente.

## Paralelismo de tensor

Siga o guia de [Paralelismo de tensor](../training/distributed_inference#tensor-parallelism) para carregamento de modelos, planos de sharding e limitações. Para adaptar seu exemplo para Neuron, substitua a configuração de grupo de processos e dispositivo CUDA pela seguinte.

No Neuron, inicialize o grupo de processos com `backend="neuron"` e construa a malha com `DeviceMesh("neuron", ...)`.

```python
import torch
import torch.distributed as dist
from torch.distributed.device_mesh import DeviceMesh

from diffusers import TensorParallelConfig

dist.init_process_group(backend="neuron")
mesh = DeviceMesh("neuron", list(range(dist.get_world_size())))
device = torch.neuron.current_device()
parallel_config = TensorParallelConfig(mesh=mesh)
```

Passe este `parallel_config` para o [from_pretrained()](/docs/diffusers/main/pt/api/models/overview#diffusers.ModelMixin.from_pretrained) do transformer e use `device` para os componentes restantes do pipeline.

Inicie um processo por NeuronCore. Defina `--nproc_per_node` para o número de NeuronCores que você deseja dividir.

```bash
torchrun --nproc_per_node=8 tensor_parallel_neuron.py
```