OpenVINO 集成 - 以编程方式使用文档

OpenVINO™ 是一个用于优化和部署 AI 推理的开源工具包。OpenVINO™ Runtime 可以在各种硬件设备上运行优化后的相同模型。加速您的深度学习性能，涵盖以下用例：语言 + LLM、计算机视觉、自动语音识别等。

OpenVINO 模型可以通过以下方式本地运行 HuggingFacePipeline 类。要使用 OpenVINO 部署模型，您可以指定 backend="openvino" 参数来启用 OpenVINO 作为后端推理框架。

要使用，您应该安装 optimum-intel 带有 OpenVINO Accelerator 的 Python 包.

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

模型加载

可以通过以下方式指定模型参数来加载模型 from_model_id method.

如果您有 Intel GPU，您可以指定 model_kwargs={"device": "GPU"} 来在其上运行推理。

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},
)

它们也可以通过传入现有的 optimum-intel 管道直接加载

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，您可以将其与提示词组合以形成链。

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}))

要获取不带提示词的响应，您可以绑定 skip_prompt=True 与 LLM。

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

可以导出您的模型到 OpenVINO IR 格式（使用 CLI），并从本地文件夹加载模型。

!optimum-cli export openvino --model gpt2 ov_model_dir

建议应用 8 位或 4 位权重量化来使用以下方式减少推理延迟和模型占用空间 --weight-format:

!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}))

通过动态量化和 KV 缓存量化可以获得额外的推理速度提升。这些选项可以通过以下方式启用 ov_config 如下：

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

流式输出

您可以使用 stream 方法来获取 LLM 输出的流式响应，

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)

更多信息请参阅：