跳到正文
Hugging Face Blog·· 1 天前精选AI 评分64

Hugging Face 推出 TorchNeuron，让模型更易在 AWS Trainium 上运行

TorchNeuron: running HF models on AWS Trainium is easier than ever

AI 导读

Hugging Face 宣布 TorchNeuron 将于 2026 年 10 月 20 日开启公开测试，为 AWS Trainium 提供原生 PyTorch 后端。Transformers、Diffusers、Accelerate、PEFT 和 TRL 可直接使用 Trainium；文本生成模型架构的开箱支持率为 89%，而 Optimum Neuron v0.4.5 为 46%。

推荐理由

TorchNeuron将Trainium接入原生PyTorch工作流，并以89%对46%的架构支持率与Optimum Neuron形成对照，呈现迁移路径的变化。

正文 · AI 翻译

TorchNeuron 为 AWS Trainium 上的 PyTorch 提供了全新的原生后端。Transformers、Diffusers 和 Kernels 原生支持该后端，让你能够以前所未有的便捷方式在 Trainium 上运行模型，并将模型分享到 HF hub。

TorchNeuron

TorchNeuron 是一个 PyTorch 插件，为 Trainium 带来全新的后端，支持急切模式、torch.compile以及 FSDP 和 TP 等原生分布式 API。 阅读 PyTorch 博客，详细了解 TorchNeuron。

从 2026 年 10 月 20 日起，TorchNeuron 将开放公测。研究人员和开发者可以使用 pip install torch-neuronx 安装它。

全新后端，HF 库中的原生接口

迄今为止，Hugging Face 在 AWS Trainium 和 Inferentia 上的使用体验——这两款 AI 芯片分别专为经济高效的训练和大规模推理而设计——一直通过 optimum-neuron 提供。该库依赖基于 PyTorch XLA 的 torch-neuronx 软件包。当时这自然是合适的选择，但也意味着必须以编译器的方式思考：使用惰性张量而非急切执行、仅支持静态形状，并且每次遇到计算图中断都要重新编译。Optimum Neuron 的存在就是为了隐藏这些复杂性，并通过维护自定义代码（模型类、训练器等）来实现这一点。

TorchNeuron 改变了这一切。它直接集成到 PyTorch 中，并将 neuron 作为原生设备提供，支持急切执行、PyTorch 自带的分布式原语（DTensor、FSDP2）以及 torch.compile。

对于 Hugging Face 库而言，Trainium 就像其他任何设备一样：Transformers、Diffusers、Accelerate、PEFT 和 TRL 都能直接在其上运行，使用的类和脚本与在其他加速器上完全相同。从现在起，我们建议 Neuron 用户直接使用这些库，而不是通过 Optimum Neuron。

Transformers

推理

Transformers 现在原生支持多种模型的文本生成。借助 TorchNeuron，使用量最高的 100 种文本生成模型架构中有 89% 可开箱即用，而 Optimum Neuron v0.4.5 支持的比例为 46%。只需在代码中传入 device_map=neuron 参数，模型就会被移至 Neuron 设备上。

下面是一个使用张量并行进行文本生成的示例，这样可以充分利用 Neuron 实例。请注意，示例使用了静态缓存进行生成，因为强烈建议在 Neuron 上这样做，以避免频繁重新编译。

import os

import torch
import torch.distributed as dist
import torch_neuronx  # noqa: F401
from torch.distributed import DeviceMesh
from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
from transformers.distributed import DistributedConfig
from transformers.generation.configuration_utils import CompileConfig

MODEL_ID = "Qwen/Qwen3.8-27B"
MAX_SEQ_LEN = 1024
PREFILL_CHUNK_SIZE = 512

dist.init_process_group(backend="neuron")
world_size = dist.get_world_size()

model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    dtype=torch.bfloat16,
    distributed_config=DistributedConfig(tp_size=world_size),
    device_mesh=DeviceMesh("neuron", list(range(world_size))),
).eval()

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "left"

inputs = tokenizer.apply_chat_template(
    [{"role": "user", "content": "The future of AI is"}],
    add_generation_prompt=True,
    padding=True,
    tokenizer_kwargs={"pad_to_multiple_of": PREFILL_CHUNK_SIZE},
    return_tensors="pt",
)

generation_config = GenerationConfig(
    max_new_tokens=128,
    do_sample=False,
    use_cache=True,
    pad_token_id=tokenizer.pad_token_id,
    eos_token_id=tokenizer.eos_token_id,
    cache_implementation="static",
    max_cache_len=MAX_SEQ_LEN,
    prefill_chunk_size=PREFILL_CHUNK_SIZE,
    compile_config=CompileConfig(backend="neuron", fullgraph=False, dynamic=False),
)

with torch.no_grad():
    output_ids = model.generate(
        inputs["input_ids"],
        attention_mask=inputs["attention_mask"],
        generation_config=generation_config,
    )

if dist.get_rank() == 0:
    prompt_len = inputs["input_ids"].shape[1]
    print(tokenizer.decode(output_ids[0, prompt_len:], skip_special_tokens=True))

训练

现在 Neuron 已成为 PyTorch 原生设备，在 Trainium 上训练时，使用的 Hugging Face 库与其他加速器相同：Transformers、Accelerate、PEFT 和 TRL。你不再需要专用训练器或针对 Neuron 修改的模型代码分支。标准的 TRL 微调脚本只需设置少量 Neuron 专用参数，就能在 Trainium 实例上运行。

下面是一个基于 TRL 的 SFTTrainer 编写的监督微调脚本。如果你之前用 TRL 在 GPU 上微调过模型，这个脚本应该会让你感到熟悉。

import os

import torch
from datasets import load_dataset
from transformers.distributed import DistributedConfig

from trl import ModelConfig, ScriptArguments, SFTConfig, SFTTrainer, TrlParser


def main(script_args, training_args, model_args):
    # The Neuron backend can't compile Dynamo's automatic dynamic shapes yet (https://github.com/huggingface/trl/issues/7660)
    torch._dynamo.config.automatic_dynamic_shapes = False

    training_args.model_init_kwargs = {
        "revision": model_args.model_revision,
        "trust_remote_code": training_args.trust_remote_code,
        "attn_implementation": model_args.attn_implementation,
        "dtype": model_args.dtype,
        "device_map": None,
    }
    if int(os.environ.get("WORLD_SIZE", "1")) > 1:
        # The model is sharded on the TP x FSDP grid as its weights are loaded
        training_args.model_init_kwargs["distributed_config"] = DistributedConfig(
            tp_size=int(os.environ.get("TP_SIZE", "1")),
            fsdp_size=int(os.environ.get("FSDP_SIZE", "1")),
        )

    # Prepare dataset
    train_dataset = load_dataset(
        script_args.dataset_name,
        name=script_args.dataset_config,
        split=script_args.dataset_train_split,
    )
    # UltraChat also has a string `prompt` column, which makes TRL treat it as a prompt-completion dataset.
    train_dataset = train_dataset.select_columns(["messages"])

    # Training
    trainer = SFTTrainer(
        model=model_args.model_name_or_path,
        args=training_args,
        train_dataset=train_dataset,
    )

    trainer.train()
    trainer.save_model(training_args.output_dir)
    trainer.end()


if __name__ == "__main__":
    parser = TrlParser((ScriptArguments, SFTConfig, ModelConfig))
    script_args, training_args, model_args = parser.parse_args_and_config()
    main(script_args, training_args, model_args)

并行化由 Transformers 原生处理。你只需在 model_init_kwargs 中设置包含张量并行（TP）和 FSDP 大小的 DistributedConfig，SFTTrainer 将其传递给 from_pretrained，模型便会在加载权重时进行分片。Trainer 会检测到模型已完成分布式处理，因此不会再次对其进行封装。你无需设置 --fsdp 标志，也无需使用 Accelerate FSDP 配置。

脚本中的内容都不专属于 Trainium：相同代码可以在任何硬件上运行。在 Trainium 上运行时，有几点值得了解：

  • 静态形状。该脚本会在 torch.compile 中禁用自动动态形状，并使用带换行的打包方式生成最多包含 2048 个 token 的序列。使用 TRL ≥ 1.16 时，Neuron 上的批次会填充至 128 个 token 的倍数，从而限制输入形状的数量。后续步骤中，形状相同的批次会复用已编译的计算图。
  • 启用 torch.compile。只需传入 --torch_compile true：在 Trainium 实例上，torch.compile 会自动检测设备并选择 Neuron 后端，无需进行其他配置。
  • 关闭异步权重加载。Transformers 内置的异步权重加载不支持 Neuron，因此目前我们通过 HF_DEACTIVATE_ASYNC_LOAD=1 将其禁用。

下面的命令使用 torchrun 启动训练，它会为每个 NeuronCore 启动一个进程。TP_SIZE 和 FSDP_SIZE 用于设置并行布局，两者的乘积就是进程数：此处为 4 x 8 = 32，与 --nproc_per_node 相符。这 32 个进程组成一个 4 x 8 的网格。张量并行会将每一层拆分到 TP 组中的 4 个核心上，而 FSDP 会将参数、梯度和优化器状态分片到 8 个 TP 组上。

TP_SIZE=4 FSDP_SIZE=8 HF_DEACTIVATE_ASYNC_LOAD=1 uv run torchrun --nproc_per_node=32 sft_neuron_example.py \
    --model_name_or_path Qwen/Qwen3-8B \
    --dataset_name HuggingFaceH4/ultrachat_200k \
    --dataset_train_split train_sft \
    --output_dir Qwen3-8B-sft-tp4-fsdp8 \
    --dtype bfloat16 \
    --max_length 2048 \
    --packing true \
    --packing_strategy wrapped \
    --learning_rate 2e-5 \
    --warmup_steps 0.03 \
    --num_train_epochs 1 \
    --logging_steps 2 \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --save_only_model true \
    --torch_compile true

我们在 8 个 Trainium2 芯片（32 个 NeuronCore）上运行了该任务，这是 trn2.48xlarge 实例的一半。

训练顺利完成，trainer.save_model 会写入标准的 Transformers 检查点。检查点中没有任何内容与 Neuron 绑定：你可以直接将其推送到 Hugging Face Hub，并在任何其他硬件上加载。

Diffusers

推理

Diffusers 库中的许多管道都兼容 TorchNeuron 的即时执行模式和编译模式。FLUX.1-dev、FLUX.2、Qwen-Image、Qwen-Image-2.1 和 H3 也兼容张量并行，可充分利用你的 Neuron 设备。下面的示例展示了如何使用 TP：

import torch, torch.distributed as dist, torch_neuronx # TP
from torch.distributed.device_mesh import DeviceMesh # TP
from diffusers import QwenImage21Pipeline, QwenImage21Transformer2DModel, TensorParallelConfig

# Distributed devices initialization
dist.init_process_group(backend="neuron") # TP
dev = torch.neuron.current_device()
mesh = DeviceMesh("neuron", list(range(8))) # TP=8

# Pipeline initialization
model = "Qwen/Qwen-Image-2.1"
transformer = QwenImage21Transformer2DModel.from_pretrained(
    model,
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
    parallel_config=TensorParallelConfig(mesh=mesh), # TP
)
pipe = QwenImage21Pipeline.from_pretrained(
    model,
    transformer=transformer,
    torch_dtype=torch.bfloat16,
)
pipe.vae.to(dev)
pipe.transformer.compile_repeated_blocks(backend="neuron", fullgraph=True, dynamic=False)

# Image generation
emb, mask, _ = pipe.encode_prompt(prompt="A capybara wearing a wizard hat, oil painting", device="cpu")  # text encoder stays on CPU
image = pipe(
    prompt_embeds=emb.to(dev),
    prompt_embeds_mask=mask.to(dev) if mask is not None else None,
    height=1024,
    width=1024,
    num_inference_steps=40,
    generator=torch.Generator("cpu").manual_seed(0), # same noise on every rank
).images[0]
if dist.get_rank() == 0:
    image.save("out.png")

你可以使用以下命令运行这段代码：NEURON_LOGICAL_NC_CONFIG=2 torchrun --nproc_per_node=8 run.py。

兼容 TP 的管道会越来越多。如果你喜欢的管道尚不兼容，也可以按照本指南为其添加支持。

内核

请务必查看Neuron 团队开发的内核；越来越多的 Neuron 内核将会发布到 Hub，以加速你的模型。 Neuron 内核可以使用Neuron Kernel Interface（NKI）编写，它提供更底层的控制能力，便于优化操作。这样一来，用户就能运行自己的自定义操作，并将其分享到 Hub。

例如，你可以使用这个内核加速视觉 Transformer，在 Trainium 上实现最高 x2.4 的加速！

致谢

特别感谢 AWS 团队开发 TorchNeuron，并积极响应我们的反馈，尽可能完善与 HF 的集成。

来源：Hugging Face Blog · huggingface.co

Hugging Face部署工程产品更新#产品更新#部署/工程#Hugging Face