# Hardware

Transformers se ejecuta en CPUs, GPUs de NVIDIA, GPUs de AMD, Apple Silicon, TPUs de Google, instancias de Trainium de AWS y más, a través de sus backends de PyTorch.

- Para el entrenamiento, [TrainingArguments](/docs/transformers/v5.23.0/es/main_classes/trainer#transformers.TrainingArguments) detecta el backend automáticamente.
- Para la inferencia, la detección automática no cubre todos los backends, por lo que debe pasar la cadena de dispositivo para elegir uno de forma explícita. Esta página enumera la cadena de dispositivo y el paquete para cada backend, para qué lo configura [TrainingArguments](/docs/transformers/v5.23.0/es/main_classes/trainer#transformers.TrainingArguments) y cómo Transformers decide qué dispositivo usar.

## Encuentra tu hardware

Cada backend tiene una cadena de dispositivo que se pasa a `device_map` o `device`. CPU y Apple Silicon funcionan con el paquete estándar `torch`. Los demás backends requieren un paquete de extensión de PyTorch que registre el backend con PyTorch.

| Hardware                         | Cadena de dispositivo | Paquete               |
|----------------------------------|---------------|-----------------------|
| [CPU](./cpu)                     | `cpu`         | `torch`               |
| [GPU de NVIDIA](./nvidia_gpu)       | `cuda`        | `torch`               |
| [GPU de AMD](./amd_gpu)             | `cuda`        | `torch` (compilación ROCm)  |
| [AWS Trainium](./aws_trainium)   | `neuron`      | `torch-neuronx`       |
| [Google TPU](./google_tpu)       | `tpu`         | `torch-tpu`           |
| [GPU de Intel](./intel_gpu)         | `xpu`         | `torch`               |
| [Apple Silicon](./apple_silicon) | `mps`         | `torch`               |
| [Intel Gaudi](./intel_gaudi)     | `hpu`         | `habana-torch-plugin` |
| Huawei Ascend NPU                | `npu`         | `torch-npu`           |
| Cambricon MLU                    | `mlu`         | `torch-mlu`           |
| GPU de Moore Threads                | `musa`        | `torch-musa`          |

> [!TIP]
> Si un backend de hardware no aparece en esta tabla y cree que Transformers lo admite, por favor [abra un problema](https://github.com/huggingface/transformers/issues/new/choose).

## Cómo Transformers elige un dispositivo

Transformers selecciona un dispositivo diferente para el entrenamiento y la inferencia.

### Entrenamiento

[TrainingArguments](/docs/transformers/v5.23.0/es/main_classes/trainer#transformers.TrainingArguments) detecta el backend automáticamente a través de [Accelerate](https://hf.co/docs/accelerate/index). En una ejecución distribuida, cada proceso utiliza el dispositivo que Accelerate le asigna. En un solo proceso, [TrainingArguments](/docs/transformers/v5.23.0/es/main_classes/trainer#transformers.TrainingArguments) elige el primer backend disponible y recurre a CPU si no hay ninguno disponible. Establece `use_cpu=True` para forzar el entrenamiento en CPU.

### Inferencia

[from_pretrained()](/docs/transformers/v5.23.0/es/main_classes/model#transformers.PreTrainedModel.from_pretrained) carga un modelo en la CPU de forma predeterminada.

Establezca `device_map="auto"` para colocarlo en los aceleradores disponibles. La colocación automática depende de Accelerate para detectar CUDA, Intel XPU, Intel Gaudi (HPU) y Apple Silicon (MPS), entre otros, pero no cubre todos los backends. Para otros backends, como AWS Trainium y Google TPU, pase la cadena de dispositivo a `device_map` de forma explícita.

```py
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-0.6B", device_map="neuron")
```

