wehub-resource-sync
e06fe8e8c6
Secret Leaks / trufflehog (push) Failing after 1s
Build documentation / build (push) Failing after 1s
Build documentation / build_other_lang (push) Failing after 0s
CodeQL Security Analysis / CodeQL Analysis (push) Failing after 0s
PR CI / pr-ci (push) Failing after 1s
Slow tests on important models (on Push - A10) / Get all modified files (push) Failing after 1s
Slow tests on important models (on Push - A10) / Model CI (push) Has been skipped
Self-hosted runner (benchmark) / Benchmark (aws-g5-4xlarge-cache) (push) Has been cancelled
New model PR merged notification / Notify new model (push) Has been cancelled
Update Transformers metadata / build_and_package (push) Has been cancelled
51 lines
2.5 KiB
Markdown
51 lines
2.5 KiB
Markdown
<!---Copyright 2026 The HuggingFace Team. All rights reserved.
|
|
|
|
Licensed under the Apache License, Version 2.0 (the "License");
|
|
you may not use this file except in compliance with the License.
|
|
You may obtain a copy of the License at
|
|
|
|
http://www.apache.org/licenses/LICENSE-2.0
|
|
|
|
Unless required by applicable law or agreed to in writing, software
|
|
distributed under the License is distributed on an "AS IS" BASIS,
|
|
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
|
|
See the License for the specific language governing permissions and
|
|
limitations under the License.
|
|
-->
|
|
|
|
# torch.compile
|
|
|
|
[torch.compile](https://docs.pytorch.org/tutorials/intermediate/torch_compile_tutorial.html) compila código de PyTorch en kernels fusionados para que se ejecute más rápido. Durante el entrenamiento, traza juntas la pasada hacia delante y la pasada hacia atrás y las compila en kernels optimizados, reduciendo la sobrecarga de lanzar operaciones por separado y fusionando operaciones para recortar el uso del ancho de banda de memoria.
|
|
|
|
Pon `torch_compile=True` en [`TrainingArguments`] para activarlo. El entrenamiento compila tanto la pasada hacia delante como la de hacia atrás, a diferencia de la inferencia, que solo compila la pasada hacia delante. La compilación ocurre en el primer paso de entrenamiento, así que es normal que sea bastante más lento que los pasos siguientes.
|
|
|
|
```py
|
|
from transformers import TrainingArguments
|
|
|
|
args = TrainingArguments(
|
|
...,
|
|
torch_compile=True,
|
|
torch_compile_backend="inductor",
|
|
torch_compile_mode="reduce-overhead",
|
|
)
|
|
```
|
|
|
|
## Backend
|
|
|
|
El backend por defecto es `inductor`, que compila a kernels de Triton con AOTAutograd. Es la opción adecuada para la mayoría de las cargas de entrenamiento. Usa `cudagraphs` para entradas de forma fija, o `ipex` para entrenamiento en CPU de Intel.
|
|
|
|
## Modo de compilación
|
|
|
|
Usa la siguiente tabla como ayuda para elegir un modo de `torch.compile`.
|
|
|
|
| modo | descripción |
|
|
|---|---|
|
|
| default | equilibrio entre el tiempo de compilación y el de ejecución |
|
|
| reduce-overhead | reduce la sobrecarga de Python/CPU usando CUDA graphs a costa de algo más de memoria |
|
|
| max-autotune | prueba varias implementaciones de kernels durante la compilación y elige la más rápida (compilación más larga) |
|
|
| max-autotune-no-cudagraphs | igual que max-autotune pero sin CUDA graphs |
|
|
|
|
## Próximos pasos
|
|
|
|
- Consulta la guía [torch.compile para inferencia](./perf_torch_compile) para más detalles sobre la compilación fullgraph y los benchmarks de inferencia.
|