跳到主要內容

OpenVINO

OpenVINO™ 是一個用於優化和部署 AI 推論的開放原始碼工具組。OpenVINO™ Runtime 可以在各種硬體裝置上執行相同的優化模型。加速您在以下用例中的深度學習效能：語言 + LLM、電腦視覺、自動語音辨識等等。

OpenVINO 模型可以透過 HuggingFacePipeline 類別在本機執行。若要使用 OpenVINO 部署模型，您可以指定 backend="openvino" 參數來觸發 OpenVINO 作為後端推論框架。

若要使用，您應該安裝具有 OpenVINO Accelerator python 套件的 optimum-intel。

%pip install --upgrade-strategy eager "optimum[openvino,nncf]" langchain-huggingface --quiet

模型載入​

可以透過使用 from_model_id 方法指定模型參數來載入模型。

如果您有 Intel GPU，您可以指定 model_kwargs={"device": "GPU"} 以在其上執行推論。

from langchain_huggingface import HuggingFacePipeline

ov_config = {"PERFORMANCE_HINT": "LATENCY", "NUM_STREAMS": "1", "CACHE_DIR": ""}

ov_llm = HuggingFacePipeline.from_model_id(
    model_id="gpt2",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)
API 參考：HuggingFacePipeline

它們也可以透過直接傳入現有的 optimum-intel 管道來載入

from optimum.intel.openvino import OVModelForCausalLM
from transformers import AutoTokenizer, pipeline

model_id = "gpt2"
device = "CPU"
tokenizer = AutoTokenizer.from_pretrained(model_id)
ov_model = OVModelForCausalLM.from_pretrained(
    model_id, export=True, device=device, ov_config=ov_config
)
ov_pipe = pipeline(
    "text-generation", model=ov_model, tokenizer=tokenizer, max_new_tokens=10
)
ov_llm = HuggingFacePipeline(pipeline=ov_pipe)

建立鏈​

將模型載入記憶體後，您可以將其與提示詞組合以形成鏈。

from langchain_core.prompts import PromptTemplate

template = """Question: {question}

Answer: Let's think step by step."""
prompt = PromptTemplate.from_template(template)

chain = prompt | ov_llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))
API 參考：PromptTemplate

若要取得沒有提示詞的回應，您可以將 skip_prompt=True 與 LLM 綁定。

chain = prompt | ov_llm.bind(skip_prompt=True)

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

使用本機 OpenVINO 模型進行推論​

可以匯出您的模型到具有 CLI 的 OpenVINO IR 格式，並從本機資料夾載入模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建議使用 --weight-format 套用 8 位元或 4 位元權重量化，以減少推論延遲和模型佔用空間

!optimum-cli export openvino --model gpt2  --weight-format int8 ov_model_dir # for 8-bit quantization

!optimum-cli export openvino --model gpt2  --weight-format int4 ov_model_dir # for 4-bit quantization
ov_llm = HuggingFacePipeline.from_model_id(
    model_id="ov_model_dir",
    task="text-generation",
    backend="openvino",
    model_kwargs={"device": "CPU", "ov_config": ov_config},
    pipeline_kwargs={"max_new_tokens": 10},
)

chain = prompt | ov_llm

question = "What is electroencephalography?"

print(chain.invoke({"question": question}))

您可以透過動態量化啟用和 KV 快取量化來獲得額外的推論速度提升。這些選項可以使用 ov_config 啟用，如下所示

ov_config = {
    "KV_CACHE_PRECISION": "u8",
    "DYNAMIC_QUANTIZATION_GROUP_SIZE": "32",
    "PERFORMANCE_HINT": "LATENCY",
    "NUM_STREAMS": "1",
    "CACHE_DIR": "",
}

串流​

您可以使用 stream 方法來取得 LLM 輸出的串流，

generation_config = {"skip_prompt": True, "pipeline_kwargs": {"max_new_tokens": 100}}
chain = prompt | ov_llm.bind(**generation_config)

for chunk in chain.stream(question):
    print(chunk, end="", flush=True)

如需更多資訊，請參閱

此頁面是否對您有幫助？