train-Copy1.py

import os
import math
import torch
import numpy as np
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader, Sampler
from torch.utils.data.distributed import DistributedSampler
from collections import defaultdict
from torch.optim.lr_scheduler import LambdaLR
from diffusers import UNet2DConditionModel, AutoencoderKL, DDPMScheduler
from accelerate import Accelerator
from datasets import load_from_disk
from tqdm import tqdm
from PIL import Image,ImageOps
import wandb
import random
import gc
from accelerate.state import DistributedType
from torch.distributed import broadcast_object_list
from torch.utils.checkpoint import checkpoint
from diffusers.models.attention_processor import AttnProcessor2_0
from datetime import datetime
import bitsandbytes as bnb

# --------------------------- Параметры ---------------------------
ds_path = "datasets/384"
batch_size = 50
base_learning_rate = 3e-5
min_learning_rate = 3e-6
num_epochs = 10
num_warmup_steps = 1000
project = "unet"
use_wandb = True
save_model = True
sample_interval_share = 5 # samples/save per epoch
fbp = False # fused backward pass
adam8bit = True
percentile_clipping = 97 # Lion
torch_compile = False
unet_gradient = True
clip_sample = False #Scheduler
fixed_seed = False
shuffle = True
dtype = torch.float32
steps_offset = 1 # Scheduler
limit = 0
checkpoints_folder = ""
mixed_precision = "no"
accelerator = Accelerator(mixed_precision=mixed_precision)
device = accelerator.device

# Параметры для диффузии
n_diffusion_steps = 50
samples_to_generate = 12
guidance_scale = 5

# Папки для сохранения результатов
generated_folder = "samples"
os.makedirs(generated_folder, exist_ok=True)

# Настройка seed для воспроизводимости
current_date = datetime.now()
seed = int(current_date.strftime("%Y%m%d"))
if fixed_seed:
    torch.manual_seed(seed)
    np.random.seed(seed)
    random.seed(seed)
    if torch.cuda.is_available():
        torch.cuda.manual_seed_all(seed)

#torch.backends.cuda.matmul.allow_tf32 = True
#torch.backends.cudnn.allow_tf32 = True
# --------------------------- Параметры LoRA ---------------------------
# pip install peft
lora_name = "" #"nusha"  # Имя для сохранения/загрузки LoRA адаптеров
lora_rank = 32   # Ранг LoRA (чем меньше, тем компактнее модель)
lora_alpha = 64  # Альфа параметр LoRA, определяющий масштаб

print("init")

# --------------------------- Инициализация WandB ---------------------------
if use_wandb and accelerator.is_main_process:
    wandb.init(project=project+lora_name, config={
        "batch_size": batch_size,
        "base_learning_rate": base_learning_rate,
        "num_epochs": num_epochs,
        "fbp": fbp,
        "adam8bit": adam8bit,
    })

# Включение Flash Attention 2/SDPA
torch.backends.cuda.enable_flash_sdp(True)
# --------------------------- Инициализация Accelerator --------------------
gen = torch.Generator(device=device)
gen.manual_seed(seed)

# --------------------------- Загрузка моделей ---------------------------
# VAE загружается на CPU для экономии GPU-памяти
vae = AutoencoderKL.from_pretrained("vae", variant="fp16").to("cpu").eval()

# DDPMScheduler с V_Prediction и Zero-SNR
scheduler = DDPMScheduler(
    num_train_timesteps=1000,       # Полный график шагов для обучения
    prediction_type="v_prediction", # V-Prediction
    rescale_betas_zero_snr=True,    # Включение Zero-SNR
    clip_sample = clip_sample,
    steps_offset = steps_offset
)

class DistributedResolutionBatchSampler(Sampler):
    def __init__(self, dataset, batch_size, num_replicas, rank, shuffle=True, drop_last=True):
        self.dataset = dataset
        self.batch_size = max(1, batch_size // num_replicas)
        self.num_replicas = num_replicas
        self.rank = rank
        self.shuffle = shuffle
        self.drop_last = drop_last
        self.epoch = 0
        
        # Используем numpy для ускорения
        try:
            widths = np.array(dataset["width"])
            heights = np.array(dataset["height"])
        except KeyError:
            widths = np.zeros(len(dataset))
            heights = np.zeros(len(dataset))
        
        # Создаем уникальные ключи для размеров
        self.size_keys = np.unique(np.stack([widths, heights], axis=1), axis=0)
        
        # Группируем индексы по размерам используя numpy
        self.size_groups = {}
        for w, h in self.size_keys:
            mask = (widths == w) & (heights == h)
            self.size_groups[(w, h)] = np.where(mask)[0]
            
        # Предварительно вычисляем количество полных батчей для каждой группы
        self.group_num_batches = {}
        total_batches = 0
        for size, indices in self.size_groups.items():
            num_full_batches = len(indices) // (self.batch_size * self.num_replicas)
            self.group_num_batches[size] = num_full_batches
            total_batches += num_full_batches
            
        # Округляем до числа, делящегося на num_replicas
        self.num_batches = (total_batches // self.num_replicas) * self.num_replicas
        
    def __iter__(self):
        # print(f"Rank {self.rank}: Starting iteration")
        # Очищаем CUDA кэш перед формированием новых батчей
        if torch.cuda.is_available():
            torch.cuda.empty_cache()
        all_batches = []
        rng = np.random.RandomState(self.epoch)
        
        for size, indices in self.size_groups.items():
            # print(f"Rank {self.rank}: Processing size {size}, {len(indices)} samples")
            indices = indices.copy()
            if self.shuffle:
                rng.shuffle(indices)
            
            num_full_batches = self.group_num_batches[size]
            if num_full_batches == 0:
                continue
                
            # Берем только индексы для полных батчей
            valid_indices = indices[:num_full_batches * self.batch_size * self.num_replicas]
            
            # Reshape для быстрого разделения на батчи
            batches = valid_indices.reshape(-1, self.batch_size * self.num_replicas)
            
            # Выбираем часть для текущего GPU
            start_idx = self.rank * self.batch_size
            end_idx = start_idx + self.batch_size
            gpu_batches = batches[:, start_idx:end_idx]
            
            all_batches.extend(gpu_batches)
        
        if self.shuffle:
            rng.shuffle(all_batches)

        # Синхронизируем все процессы после формирования батчей
        accelerator.wait_for_everyone()
        # print(f"Rank {self.rank}: Created {len(all_batches)} batches")
        return iter(all_batches)

    def __len__(self):
        return self.num_batches 

    def set_epoch(self, epoch):
        self.epoch = epoch

# Функция для выборки фиксированных семплов по размерам
def get_fixed_samples_by_resolution(dataset, samples_per_group=1):
    """Выбирает фиксированные семплы для каждого уникального разрешения"""
    # Группируем по размерам
    size_groups = defaultdict(list)
    try:
        widths = dataset["width"]
        heights = dataset["height"]
    except KeyError:
        widths = [0] * len(dataset)
        heights = [0] * len(dataset)
    for i, (w, h) in enumerate(zip(widths, heights)):
        size = (w, h)
        size_groups[size].append(i)
    
    # Выбираем фиксированные примеры из каждой группы
    fixed_samples = {}
    for size, indices in size_groups.items():
        # Определяем сколько семплов брать из этой группы
        n_samples = min(samples_per_group, len(indices))
        if len(size_groups)==1:
            n_samples = samples_to_generate
        if n_samples == 0:
            continue
            
        # Выбираем случайные индексы
        sample_indices = random.sample(indices, n_samples)
        samples_data = [dataset[idx] for idx in sample_indices]
        
        # Собираем данные
        latents = torch.tensor(np.array([item["vae"] for item in samples_data])).to(device=device,dtype=dtype)
        embeddings = torch.tensor(np.array([item["embeddings"] for item in samples_data])).to(device,dtype=dtype)
        texts = [item["text"] for item in samples_data]
        
        # Сохраняем для этого размера
        fixed_samples[size] = (latents, embeddings, texts)
    
    print(f"Создано {len(fixed_samples)} групп фиксированных семплов по разрешениям")
    return fixed_samples

if limit > 0:
    dataset = load_from_disk(ds_path).select(range(limit))
else:
    dataset = load_from_disk(ds_path)

def collate_fn_simple(batch):
    # Преобразуем список в тензоры и перемещаем на девайс
    latents = torch.tensor(np.array([item["vae"] for item in batch])).to(device,dtype=dtype)
    embeddings = torch.tensor(np.array([item["embeddings"] for item in batch])).to(device,dtype=dtype)
    return latents, embeddings

def collate_fn(batch):
    if not batch:
        return [], []

    # Берем эталонную форму
    ref_vae_shape = np.array(batch[0]["vae"]).shape
    ref_embed_shape = np.array(batch[0]["embeddings"]).shape

    # Фильтруем
    valid_latents = []
    valid_embeddings = []
    for item in batch:
        if (np.array(item["vae"]).shape == ref_vae_shape and 
            np.array(item["embeddings"]).shape == ref_embed_shape):
            valid_latents.append(item["vae"])
            valid_embeddings.append(item["embeddings"])

    # Создаем тензоры
    latents = torch.tensor(np.array(valid_latents)).to(device,dtype=dtype)
    embeddings = torch.tensor(np.array(valid_embeddings)).to(device,dtype=dtype)

    return latents, embeddings
    
# Используем наш ResolutionBatchSampler
#batch_sampler = ResolutionBatchSampler(dataset, batch_size=batch_size, shuffle=True)
#dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn)

# Создаем ResolutionBatchSampler на основе индексов от DistributedSampler
batch_sampler = DistributedResolutionBatchSampler(
        dataset=dataset,
        batch_size=batch_size,
        num_replicas=accelerator.num_processes,
        rank=accelerator.process_index,
        shuffle=shuffle
    )

# Создаем DataLoader
dataloader = DataLoader(dataset, batch_sampler=batch_sampler, collate_fn=collate_fn_simple)

print("Total samples",len(dataloader))
dataloader = accelerator.prepare(dataloader)

# Инициализация переменных для возобновления обучения
start_epoch = 0
global_step = 0

# Расчёт общего количества шагов 
total_training_steps = (len(dataloader) * num_epochs)
# Get the world size
world_size = accelerator.state.num_processes
#print(f"World Size: {world_size}")

# Опция загрузки модели из последнего чекпоинта (если существует)
latest_checkpoint = os.path.join(checkpoints_folder, project)
if os.path.isdir(latest_checkpoint):
    print("Загружаем UNet из чекпоинта:", latest_checkpoint)
    if dtype == torch.float32:
        unet = UNet2DConditionModel.from_pretrained(latest_checkpoint).to(device=device,dtype=dtype)
    else:
        unet = UNet2DConditionModel.from_pretrained(latest_checkpoint, variant="fp16").to(device=device,dtype=dtype)
    if unet_gradient:
        unet.enable_gradient_checkpointing()
    unet.set_use_memory_efficient_attention_xformers(False) # отключаем xformers
    try:
        unet.set_attn_processor(AttnProcessor2_0())  # Используем стандартный AttnProcessor
    except Exception as e:
        print(f"Ошибка при включении SDPA: {e}")
        print("Попытка использовать enable_xformers_memory_efficient_attention.")
        unet.set_use_memory_efficient_attention_xformers(True)

    if hasattr(torch.backends.cuda, "flash_sdp_enabled"):
        print(f"torch.backends.cuda.flash_sdp_enabled(): {torch.backends.cuda.flash_sdp_enabled()}")
    if hasattr(torch.backends.cuda, "mem_efficient_sdp_enabled"):
        print(f"torch.backends.cuda.mem_efficient_sdp_enabled(): {torch.backends.cuda.mem_efficient_sdp_enabled()}")
    if hasattr(torch.nn.functional, "get_flash_attention_available"):
         print(f"torch.nn.functional.get_flash_attention_available(): {torch.nn.functional.get_flash_attention_available()}")
if torch_compile:
    print("compiling")
    torch.set_float32_matmul_precision('high')
    unet = torch.compile(unet)#, mode="reduce-overhead", fullgraph=True)
    print("compiling - ok")

if lora_name:
    print(f"--- Настройка LoRA через PEFT (Rank={lora_rank}, Alpha={lora_alpha}) ---")
    from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
    from peft.tuners.lora import LoraModel
    import os
    # 1. Замораживаем все параметры UNet
    unet.requires_grad_(False)
    print("Параметры базового UNet заморожены.")

    # 2. Создаем конфигурацию LoRA
    lora_config = LoraConfig(
        r=lora_rank,
        lora_alpha=lora_alpha,
        target_modules=["to_q", "to_k", "to_v", "to_out.0"],
    )
    unet.add_adapter(lora_config)

    # 3. Оборачиваем UNet в PEFT-модель
    from peft import get_peft_model
    
    peft_unet = get_peft_model(unet, lora_config)

    # 4. Получаем параметры для оптимизации
    params_to_optimize = list(p for p in peft_unet.parameters() if p.requires_grad)
    

    # 5. Выводим информацию о количестве параметров
    if accelerator.is_main_process:
        lora_params_count = sum(p.numel() for p in params_to_optimize)
        total_params_count = sum(p.numel() for p in unet.parameters())
        print(f"Количество обучаемых параметров (LoRA): {lora_params_count:,}")
        print(f"Общее количество параметров UNet: {total_params_count:,}")

    # 6. Путь для сохранения
    lora_save_path = os.path.join("lora", lora_name)
    os.makedirs(lora_save_path, exist_ok=True) 

    # 7. Функция для сохранения
    def save_lora_checkpoint(model):
        if accelerator.is_main_process:
            print(f"Сохраняем LoRA адаптеры  в {lora_save_path}")
            from peft.utils.save_and_load import get_peft_model_state_dict
            # Получаем state_dict только LoRA
            lora_state_dict = get_peft_model_state_dict(model)

            # Сохраняем веса
            torch.save(lora_state_dict, os.path.join(lora_save_path, "adapter_model.bin"))
    
            # Сохраняем конфиг
            model.peft_config["default"].save_pretrained(lora_save_path)
            # SDXL must be compatible
            from diffusers import StableDiffusionXLPipeline
            StableDiffusionXLPipeline.save_lora_weights(lora_save_path, lora_state_dict)

# --------------------------- Оптимизатор ---------------------------
# Определяем параметры для оптимизации
#unet = torch.compile(unet)
if lora_name:
    # Если используется LoRA, оптимизируем только параметры LoRA
    trainable_params = [p for p in unet.parameters() if p.requires_grad]
else:
    # Иначе оптимизируем все параметры
    if fbp:
        trainable_params = list(unet.parameters())

if fbp:
    # [1] Создаем словарь оптимизаторов (fused backward)
    if adam8bit:
        optimizer_dict = {
            p: bnb.optim.AdamW8bit(
                [p],  # Каждый параметр получает свой оптимизатор
                lr=base_learning_rate,
                eps=1e-8
            ) for p in trainable_params
        }
    else:
        optimizer_dict = {
            p: bnb.optim.Lion8bit(
                [p],  # Каждый параметр получает свой оптимизатор
                lr=base_learning_rate,
                betas=(0.9, 0.97),
                weight_decay=0.01,
                percentile_clipping=percentile_clipping,
            ) for p in trainable_params
        }
    
    # [2] Определяем hook для применения оптимизатора сразу после накопления градиента
    def optimizer_hook(param):
        optimizer_dict[param].step()
        optimizer_dict[param].zero_grad(set_to_none=True)
    
    # [3] Регистрируем hook для trainable параметров модели
    for param in trainable_params:
        param.register_post_accumulate_grad_hook(optimizer_hook)
    
    # Подготовка через Accelerator
    unet, optimizer = accelerator.prepare(unet, optimizer_dict)
else:
    if adam8bit:
        optimizer = bnb.optim.AdamW8bit(
            params=unet.parameters(),
            lr=base_learning_rate,
            betas=(0.9, 0.999),
            eps=1e-8,
            weight_decay=0.01
        )
        #from torch.optim import AdamW
        #optimizer = AdamW(
        #    params=unet.parameters(),
        #    lr=base_learning_rate,
        #    betas=(0.9, 0.999),
        #    eps=1e-8,
        #    weight_decay=0.01
        #)
    else:
        optimizer = bnb.optim.Lion8bit(
            params=unet.parameters(),
            lr=base_learning_rate,
            betas=(0.9, 0.97),
            weight_decay=0.01,
            percentile_clipping=percentile_clipping,
        )
    from transformers import get_constant_schedule_with_warmup

    # warmup 
    num_warmup_steps = num_warmup_steps * world_size

    #lr_scheduler = get_constant_schedule_with_warmup(
    #    optimizer=optimizer,
    #    num_warmup_steps=num_warmup_steps
    #)
    from torch.optim.lr_scheduler import LambdaLR
    def lr_schedule(step, max_steps, base_lr, min_lr, use_decay=True):
        # Если не используем затухание, возвращаем базовый LR
        if not use_decay:
            return base_lr
        
        # Иначе используем линейный прогрев и косинусное затухание
        x = step / max_steps
        percent = 0.05
        if x < percent:
            # Линейный прогрев до percent% шагов
            return min_lr + (base_lr - min_lr) * (x / percent)
        else:
            # Косинусное затухание
            decay_ratio = (x - percent) / (1 - percent)
            return min_lr + 0.5 * (base_lr - min_lr) * (1 + math.cos(math.pi * decay_ratio))
    
    
    def custom_lr_lambda(step):
        return lr_schedule(step, total_training_steps*world_size, 
                         base_learning_rate, min_learning_rate, 
                         (num_warmup_steps>0)) / base_learning_rate
    
    lr_scheduler = LambdaLR(optimizer, lr_lambda=custom_lr_lambda)
    unet, optimizer, lr_scheduler = accelerator.prepare(unet, optimizer, lr_scheduler)

# --------------------------- Фиксированные семплы для генерации ---------------------------
# Примеры фиксированных семплов по размерам
fixed_samples = get_fixed_samples_by_resolution(dataset)

@torch.compiler.disable()
@torch.no_grad()
def generate_and_save_samples(fixed_samples_cpu, step):
    """
    Генерирует семплы для каждого из разрешений и сохраняет их.
    
    Args:
        fixed_samples_cpu: Словарь, где ключи - размеры (width, height), 
                           а значения - кортежи (latents, embeddings, text) на CPU.
        step: Текущий шаг обучения
    """
    original_model = None # Инициализируем, чтобы finally не ругался
    try:

        original_model = accelerator.unwrap_model(unet)
        original_model = original_model.to(dtype = dtype)
        original_model.eval() 

        vae.to(device=device, dtype=dtype)
        vae.eval()

        scheduler.set_timesteps(n_diffusion_steps)
        
        all_generated_images = []
        all_captions = [] 
        
        for size, (sample_latents, sample_text_embeddings, sample_text) in fixed_samples_cpu.items():
            width, height = size

            sample_latents = sample_latents.to(dtype=dtype)
            sample_text_embeddings = sample_text_embeddings.to(dtype=dtype)

            # Инициализируем латенты случайным шумом
            # sample_latents уже в dtype, так что noise будет создан в dtype
            noise = torch.randn(
                sample_latents.shape, # Используем форму от sample_latents, которые теперь на GPU и fp16
                generator=gen,
                device=device,
                dtype=sample_latents.dtype
            )
            current_latents = noise.clone()
            
            # Подготовка текстовых эмбеддингов для guidance
            if guidance_scale > 0:
                # empty_embeddings должны быть того же типа и на том же устройстве
                empty_embeddings = torch.zeros_like(sample_text_embeddings, dtype=sample_text_embeddings.dtype, device=device)
                text_embeddings_batch = torch.cat([empty_embeddings, sample_text_embeddings], dim=0)
            else:
                text_embeddings_batch = sample_text_embeddings
            
            for t in scheduler.timesteps:
                t_batch = t.repeat(current_latents.shape[0]).to(device) # Убедимся, что t на устройстве

                if guidance_scale > 0:
                    latent_model_input = torch.cat([current_latents] * 2)
                else:
                    latent_model_input = current_latents
                
                latent_model_input_scaled = scheduler.scale_model_input(latent_model_input, t_batch)
                
                # Предсказание шума (UNet)
                noise_pred = original_model(latent_model_input_scaled, t_batch, text_embeddings_batch).sample                   
                
                if guidance_scale > 0:
                    noise_pred_uncond, noise_pred_text = noise_pred.chunk(2)
                    noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond)

                current_latents = scheduler.step(noise_pred, t, current_latents).prev_sample

            #print(f"current_latents Min: {current_latents.min()} Max: {current_latents.max()}")
            # Декодирование через VAE
            latent_for_vae = (current_latents.detach() / vae.config.scaling_factor) + vae.config.shift_factor
            decoded = vae.decode(latent_for_vae).sample
            
            # Преобразуем тензоры в PIL-изображения
            # Для математики с изображением (нормализация) лучше перейти в fp32
            decoded_fp32 = decoded.to(torch.float32)
            for img_idx, img_tensor in enumerate(decoded_fp32):
                img = (img_tensor / 2 + 0.5).clamp(0, 1).cpu().numpy().transpose(1, 2, 0)
                # If NaNs or infs are present, print them
                if np.isnan(img).any():
                    print("NaNs found, saving stoped! Step:", step)
                    save_model = False
                pil_img = Image.fromarray((img * 255).astype("uint8"))
                
                max_w_overall = max(s[0] for s in fixed_samples_cpu.keys())
                max_h_overall = max(s[1] for s in fixed_samples_cpu.keys())
                max_w_overall = max(255, max_w_overall)
                max_h_overall = max(255, max_h_overall)
            
                padded_img = ImageOps.pad(pil_img, (max_w_overall, max_h_overall), color='white')
                all_generated_images.append(padded_img)

                caption_text = sample_text[img_idx][:200] if img_idx < len(sample_text) else ""
                all_captions.append(caption_text)
                
                sample_path = f"{generated_folder}/{project}_{width}x{height}_{img_idx}.jpg"
                pil_img.save(sample_path, "JPEG", quality=96)
        
        if use_wandb and accelerator.is_main_process:
            wandb_images = [
                wandb.Image(img, caption=f"{all_captions[i]}")
                for i, img in enumerate(all_generated_images)
            ]
            wandb.log({"generated_images": wandb_images, "global_step": step})
    
    finally:        
        vae.to("cpu") # Перемещаем VAE обратно на CPU
        original_model = original_model.to(dtype = dtype)
        if original_model is not None:
            del original_model
        # Очистка переменных, которые являются тензорами и были созданы в функции
        for var in list(locals().keys()):
            if isinstance(locals()[var], torch.Tensor):
                del locals()[var]
        
        torch.cuda.empty_cache()
        gc.collect()
        
# --------------------------- Генерация сэмплов перед обучением ---------------------------
if accelerator.is_main_process:
    if save_model:
        print("Генерация сэмплов до старта обучения...")
        generate_and_save_samples(fixed_samples,0)

# Модифицируем функцию сохранения модели для поддержки LoRA
def save_checkpoint(unet,variant=""):
    if accelerator.is_main_process:
        if lora_name:
            # Сохраняем только LoRA адаптеры
            save_lora_checkpoint(unet)
        else:
            # Сохраняем полную модель
            if variant!="":
                accelerator.unwrap_model(unet.to(dtype=torch.float16)).save_pretrained(os.path.join(checkpoints_folder, f"{project}"),variant=variant)
            else:
                accelerator.unwrap_model(unet).save_pretrained(os.path.join(checkpoints_folder, f"{project}"))
            unet = unet.to(dtype=dtype)

# --------------------------- Тренировочный цикл ---------------------------
# Для логирования среднего лосса каждые % эпохи
if accelerator.is_main_process:
    print(f"Total steps per GPU: {total_training_steps}")

epoch_loss_points = []
progress_bar = tqdm(total=total_training_steps, disable=not accelerator.is_local_main_process, desc="Training", unit="step")

# Определяем интервал для сэмплирования и логирования в пределах эпохи (10% эпохи)
steps_per_epoch = len(dataloader)
sample_interval = max(1, steps_per_epoch // sample_interval_share)
min_loss = 1.

# Начинаем с указанной эпохи (полезно при возобновлении)
for epoch in range(start_epoch, start_epoch + num_epochs):
    batch_losses = []
    batch_grads = []
    #unet = unet.to(dtype = dtype)
    batch_sampler.set_epoch(epoch)
    accelerator.wait_for_everyone()
    unet.train()
    print("epoch:",epoch)
    for step, (latents, embeddings) in enumerate(dataloader):
        with accelerator.accumulate(unet):
            if save_model == False and step == 5 :
                used_gb = torch.cuda.max_memory_allocated() / 1024**3
                print(f"Шаг {step}: {used_gb:.2f} GB")

            #latents = latents.to(dtype = dtype)
            #embeddings = embeddings.to(dtype = dtype)
            #print(f"Latents dtype: {latents.dtype}")
            #print(f"Embeddings dtype: {embeddings.dtype}")
            #print(f"Noise dtype: {noise.dtype}")
            
            # Forward pass 
            noise = torch.randn_like(latents, dtype=latents.dtype)
            
            timesteps = torch.randint(steps_offset, scheduler.config.num_train_timesteps, 
                (latents.shape[0],), device=device).long()
                
            # Добавляем шум к латентам
            noisy_latents = scheduler.add_noise(latents, noise, timesteps)
        
            # Используем целевое значение
            model_pred = unet(noisy_latents, timesteps, embeddings).sample
            target_pred = scheduler.get_velocity(latents, noise, timesteps)

            # Считаем лосс
            # Проверяем model_pred на nan/inf
            #if torch.isnan(model_pred.float()).any() or torch.isinf(model_pred.float()).any():
            #    print(f"Rank {accelerator.process_index}: Found nan/inf in model_pred",model_pred.float())
            #    # Обработка nan/inf значений
            #    model_pred = torch.nan_to_num(model_pred.float(), nan=0.0, posinf=1.0, neginf=-1.0)
            loss = torch.nn.functional.mse_loss(model_pred, target_pred)

            # Проверяем на nan/inf перед backward
            if torch.isnan(loss) or torch.isinf(loss):
                print(f"Rank {accelerator.process_index}: Found nan/inf in loss: {loss}")
                loss = torch.zeros_like(loss)
            
            # Делаем backward через Accelerator
            accelerator.backward(loss)

            if (global_step % 100 == 0) or (global_step % sample_interval == 0):
                accelerator.wait_for_everyone()
    
            grad = 0.0
            if not fbp:
                if accelerator.sync_gradients: 
                    grad = accelerator.clip_grad_norm_(unet.parameters(), 1.)
                optimizer.step()
                lr_scheduler.step()
                optimizer.zero_grad(set_to_none=True)

            # Увеличиваем счетчик глобальных шагов
            global_step += 1
            
            # Обновляем прогресс-бар
            progress_bar.update(1)
            
            # Логируем метрики
            if accelerator.is_main_process:
                if fbp:
                    current_lr = base_learning_rate
                else:
                    current_lr = lr_scheduler.get_last_lr()[0]
                batch_losses.append(loss.detach().item())
                batch_grads.append(grad)
                
                # Логируем в Wandb 
                if use_wandb:
                    wandb.log({
                        "loss": loss.detach().item(),
                        "learning_rate": current_lr,
                        "epoch": epoch,
                        "grad": grad,
                        "global_step": global_step
                    })
            
                # Генерируем сэмплы с заданным интервалом
                if global_step % sample_interval == 0:
                    generate_and_save_samples(fixed_samples,global_step)
                    
                    # Выводим текущий лосс
                    avg_loss = np.mean(batch_losses[-sample_interval:])
                    avg_grad = torch.mean(torch.stack(batch_grads[-sample_interval:])).cpu().item()
                    print(f"Эпоха {epoch}, шаг {global_step}, средний лосс: {avg_loss:.6f}")

                    if save_model:
                        if avg_loss < min_loss:
                            min_loss = avg_loss
                            save_checkpoint(unet,"fp16")
                        save_checkpoint(unet)
                    if use_wandb:
                        wandb.log({"intermediate_loss": avg_loss})
                        wandb.log({"intermediate_grad": avg_grad})
            
    
    # По окончании эпохи
    #accelerator.wait_for_everyone() 
    if accelerator.is_main_process:
        avg_epoch_loss = np.mean(batch_losses)
        print(f"\nЭпоха {epoch} завершена. Средний лосс: {avg_epoch_loss:.6f}")
        if use_wandb:
            wandb.log({"epoch_loss": avg_epoch_loss, "epoch": epoch+1})

# Завершение обучения - сохраняем финальную модель
if accelerator.is_main_process:
    print("Обучение завершено! Сохраняем финальную модель...")
    # Сохраняем основную модель
    if save_model:
        save_checkpoint(unet)
    print("Готово!")

    # randomize ode timesteps
    # input_timestep = torch.round(
    #     F.sigmoid(torch.randn((n,), device=latents.device)), decimals=3
    # )

#def create_distribution(num_points, device=None):
#    # Диапазон вероятностей на оси x
#    x = torch.linspace(0, 1, num_points, device=device)

    # Пользовательская функция плотности вероятности
#    probabilities = -7.7 * ((x - 0.5) ** 2) + 2

    # Нормализация, чтобы сумма равнялась 1
#    probabilities /= probabilities.sum()

#    return x, probabilities

#def sample_from_distribution(x, probabilities, n, device=None):
    # Выбор индексов на основе распределения вероятностей
#    indices = torch.multinomial(probabilities, n, replacement=True)
#    return x[indices]

# Пример использования
#num_points = 1000  # Количество точек в диапазоне
#n = latents.shape[0]  # Количество временных шагов для выборки
#x, probabilities = create_distribution(num_points, device=latents.device)
#timesteps = sample_from_distribution(x, probabilities, n, device=latents.device)

# Преобразование в формат, подходящий для вашего кода
#timesteps = (timesteps * (scheduler.config.num_train_timesteps - 1)).long()