OpenVINO
OpenVINO™ 是一个用于优化和部署 AI 推理的开源工具包。OpenVINO™ 运行时可以支持在各种硬件设备上运行相同的优化模型。加速您在语言 + 大语言模型、计算机视觉、自动语音识别等用例中的深度学习性能。
OpenVINO 模型可以通过 HuggingFacePipeline 类在本地运行。要使用 OpenVINO 部署模型，您可以指定 backend="openvino" 参数以触发 OpenVINO 作为后端推理框架。
要使用，您应该安装带有 OpenVINO 加速器 Python 包的 optimum-intel。
%pip install --upgrade-strategy eager "optimum[openvino,nncf]" langchain-huggingface --quiet
模型加载
可以使用 from_model_id 方法通过指定模型参数来加载模型。
如果您有英特尔 GPU，则可以指定 model_kwargs={"device": "GPU"} 以在其上运行推理。
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 参考：HuggingFacePipeline
还可以通过直接传入现有的optimum-intel 管道来加载它们
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)
创建链
将模型加载到内存后，您可以将其与提示组合以形成一个链。
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 参考：PromptTemplate
要获取没有提示的响应，您可以将 skip_prompt=True 与 LLM 绑定。
chain = prompt | ov_llm.bind(skip_prompt=True)
question = "What is electroencephalography?"
print(chain.invoke({"question": question}))
使用本地 OpenVINO 模型进行推理
可以使用 CLI 将模型导出为 OpenVINO IR 格式，并从本地文件夹加载模型。
!optimum-cli export openvino --model gpt2 ov_model_dir
建议使用 --weight-format 应用 8 位或 4 位权重量化以减少推理延迟和模型占用空间。
!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}))
您可以通过激活的动态量化和 KV 缓存量化获得额外的推理速度提升。这些选项可以通过如下所示的 ov_config 启用。
ov_config = {
"KV_CACHE_PRECISION": "u8",
"DYNAMIC_QUANTIZATION_GROUP_SIZE": "32",
"PERFORMANCE_HINT": "LATENCY",
"NUM_STREAMS": "1",
"CACHE_DIR": "",
}
流式
您可以使用 stream 方法获取 LLM 输出的流，
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)
有关更多信息，请参阅