在過去的一年里，人工智能正以越來越快的速度發展，這得益于生成式 AI 模型的引入和從中受益的場景的演變。我們承認這一點，并決定比平時更快地發布新版本的 OpenVINO ，以幫助您獲得新功能！

與之前的版本一樣，在提高性能、增加對新 AI 模型的支持以及構建基礎設施和模型緩存等不同組件方面，我們做了大量工作。對于我們最新的 2023.2 版本，我們做出了一些重大改進，我們將在下面概述。

邊緣文本生成模型的附加性能

在我們的上一個版本 2023.1 中，我們引入了一些更改，以在英特爾 CPU 和 GPU 上運行大語言模型（LLM）。開發者們能夠量化權重為 int8 格式，并將其作為初始步驟在 CPU 上運行。

在 2023.2 版本中，我們進一步優化此工作流程，并引入在 CPU 和集成顯卡上運行權重量化為 int8 和 int4 精度的 LLM 的能力。權重量化直接影響內存帶寬，并幫助模型更快、更高效地執行推理，因為模型消耗的內存更少了，所需的磁盤空間也更少，因此總體上需要的內存帶寬也更少了！

此外，我們的模型轉換和優化工具已經更新，可以幫助您處理模型準備流程。要壓縮模型權重為 int8 和 int4 格式，您可以使用我們的神經網絡壓縮框架（NNCF）工具，該工具適用于 OpenVINO 格式或中間表示（IR）文件。此外，為了獲得具有int4壓縮權重的模型，您可以通過 GPTQ（生成預訓練 transformers 量化）算法來優化轉換模型。實現這一過程的一種方法是通過 Hugging Face AutoGPTQ 實現。

如果你將 Hugging Face 作為模型的來源，你可以使用我們的 optimum-Intel，它集成了 OpenVINO 的優勢。此集成允許您自動壓縮和轉換模型，如我們在下面所示的這樣：

要將模型壓縮到 int8 精度：

#make use of optimum-intel
from optimum.intel import OVModelForCausalLM
#load pretrained model, convert to OpenVINO representation 
#and compress weights
model = OVModelForCausalLM.from_pretrained("meta-llama/Llama-2-7b", use_cache=True, export=True, load_in_8bit=True)
#store OpenVINO IR in a folder
model.save_pretrained("./Llama-2-7b")

左滑查看更多

請注意“load_in_8bit”選項，該選項指定應將原始模型壓縮到 int8 精度。對于大于 1B 的模型，默認情況下會啟用此選項。

要將模型壓縮到 int4 精度：

#make use of optimum-intel
from optimum.intel import OVModelForCausalLM
#explicitly use NNCF for compression
from nncf import compress_weights, CompressWeightsMode
#load pretrained model, convert to OpenVINO representation
model = OVModelForCausalLM.from_pretrained("meta-llama/Llama-2-7b", use_cache=True, export=True, load_in_8bit=False)
#perform weights compression using NNCF
model.model = compress_weights(model.model, mode=CompressWeightsMode.INT4_SYM, group_size=128, ratio=0.8)
#store OpenVINO IR in a folder
model.save_pretrained("./Llama-2-7b")

左滑查看更多

請注意，這一次我們沒有使用 HF API 功能，而是直接調用 NNCF 將權重壓縮到 int4。根據模型的不同，您可以更改壓縮參數以獲得更準確的結果。在這種情況下，我們使用對稱量化，組大小為 128 個元素，int4 與 int8 的權重之比為 0.8。您可以查看我們的權重壓縮文檔，以獲得更多詳細信息和壓縮提示。

要轉換使用 AutoGPTQ 優化為 int4 精度的模型，請執行以下操作：

#make use of optimum-intel
from optimum.intel import OVModelForCausalLM
#load pretrained model, convert to OpenVINO representation 
#with keeping weights in int4
model = OVModelForCausalLM.from_pretrained("TheBloke/Llama-2-7B-GPTQ", use_cache=True, export=True)
#store OpenVINO IR in a folder
model.save_pretrained("./Llama-2-7B-GPTQ")

新的生成式 AI

以及更多的 Notebooks 代碼示例！

我們知道，親身體驗最新功能和最先進模型是最好的學習方式。因此，我們的 OpenVINO 團隊非常專注于為 OpenVINO Notebooks 代碼示例帶來新的及備受關注的模型。我們希望展示并鼓勵您立即在您的設備上進行本地實驗，以獲得您所需的性能。以下是我們最近更新或新發布的一些 Notebooks 代碼示例，以幫助您更快地將想法付諸生產。

一些 Jupyter Notebooks 已經更新，以演示 PyTorch 模型在沒有 ONNX 轉換的情況下的轉換和優化，包括以下內容：

PyTorch to OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/102-pytorch-to-openvino ）

—— 轉換格式為 torch.nn.Module 以及 torch.jit.ScriptModule 的 PyTorch 模型為 OpenVINO IR 格式

Post-Training Quantization of PyTorch models with NNCF

（https://github.com/openvinotoolkit/openvino_notebooks/blob/main/notebooks/112-pytorch-post-training-quantization-nncf/112-pytorch-post-training-quantization-nncf.ipynb ）

—— 將 int8 量化應用于 PyTorch 模型

Quantization of Image Classification Models

（https://github.com/openvinotoolkit/openvino_notebooks/blob/main/notebooks/113-image-classification-quantization/113-image-classification-quantization.ipynb ）

—— 將 int8 量化應用于 MobileNet V2 PyTorch 模型

Visual Question Answering and Image Captioning using BLIP and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/233-blip-visual-language-processing ）

—— 優化 BLIP PyTorch 模型

Text-to-Image Generation and Infinite Zoom with Stable Diffusion v2 and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/236-stable-diffusion-v2 ）

—— 在 Stable Diffusion 2.0 流水線中優化模型

Object masks from prompts with SAM and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/237-segment-anything#object-masks-from-prompts-with-sam--and-openvino ）

—— 優化基于 PyTorch 的 Segment Anything Model (SAM) 模型

Optimizing PyTorch models with Neural Network Compression Framework of OpenVINO by 8-bit quantization

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/302-pytorch-quantization-aware-training ）

—— PyTorch 模型量化感知訓練(QAT)

我們還加入了一些 notebooks 代碼示例，展示如何轉換和優化模型，包括來自 TensorFlow Hub, TorchVision, and Hugging Face Hub 的模型。

TorchaVision Zoo with OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/125-torchvision-zoo-to-openvino ）

—— 下載和直接優化基于 PyTorch 的預訓練模型

Hugging Face Model Hub with OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/124-hugging-face-hub ）

—— 學習如何下載和優化 Hugging Face hub 的預訓練模型

TensorFlow Hub models + OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/126-tensorflow-hub ）

—— 學習如何下載和優化 TensorFlow Hub 的預訓練模型

Convert Detectron2 Models to OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/123-detectron2-to-openvino ）

—— 優化來自 Facebook Research 流行的目標檢測和分割模型

Convert TensorFlow Object Detection and Instance Segmentation Models to OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/120-tensorflow-object-detection-to-openvino）

—— 優化來自于 TensorFlow Hub 的使用 Resnet-50 V1 的 Faster R-CNN

Visual-language assistant with LLaVA and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/257-llava-multimodal-chatbot ）

—— 使用 LLaVA (Large Language and Vision Assistant) 的端到端多模態演示

Subject-driven image generation and editing using BLIP Diffusion and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/258-blip-diffusion-subject-generation ）

—— 優化用于零樣本主題驅動的圖像生成的 BLIP 擴散模型

SoftVC VITS Singing Voice Conversion and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/262-softvc-voice-conversion#softvc-vits-singing-voice-conversion-and-openvino ）

—— 優化以音頻作為輸入的聲音轉換模型 SoftVC 及 VITS

Object segmentations with FastSAM and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/261-fast-segment-anything ）

—— 優化用于目標分割的 Fast Segment Anything Model (FastSAM) 模型

Image Generation with DeciDiffusion

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/259-decidiffusion-image-generation ）

—— 優化用于文生圖的 DeciDiffusion 1.0 模型

Document Visual Question Answering Using Pix2Struct and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/260-pix2struct-docvqa ）

—— 利用 OCR 和語言模型進行多模態問答的演示

圖1:文檔視覺問答

最后，我們還提供了幾個具有開箱即用、優化性能的流行的生成式 AI 的 notebooks 代碼示例：

Create an LLM-powered Chatbot using OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/254-llm-chatbot#create-llm-powered-chatbot-using-openvino ）

—— 在 CPU 和 GPU 上運行具有 int8 權重壓縮的 Llama2 等聊天機器人，令人印象深刻的是，它將在只有 24GB RAM 的筆記本電腦上運行。

Image generation with Latent Consistency Model and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/263-latent-consistency-models-image-generation ）

—— 用低得多的計算機資源實現卓越的圖像生成

Generate creative QR codes with ControlNet QR Code Monster and OpenVINO

（https://github.com/openvinotoolkit/openvino_notebooks/tree/main/notebooks/264-qrcode-monster ）

—— 使用 ControlNet 和 Stable Diffusion 創建您自己的圖形二維碼。

圖2:使用OpenVINO 優化基于大語言模型的聊天機器人

圖3: ControlNet二維碼 Monster 以及 OpenVINO

新的分發渠道

在這個版本中，我們繼續改進您訪問和使用 OpenVINO 進行 AI 應用程序開發的方式，我們已經開發了一個Conan（https://conan.io）軟件包管理器。Conan允許您為大型項目執行包管理，我們很高興看到已經有開發者對此做出的積極回應。

有關如何使用 OpenVINO Conan 軟件包的更多詳細信息，請參閱此處：

https://docs.openvino.ai/2023.1/openvino_docs_install_guides_installing_openvino_conan.html

（復制鏈接到瀏覽器打開）

OpenVINO 是在開源中開發的，一旦在我們的初步測試中驗證了這些功能，我們的最新功能就可以在我們的主分支上獲得。因此，如果您想嘗試新功能，您可以隨時從源代碼構建我們的包。對于 pip 用戶，我們通過引入 openvino-nightly 包來簡化這一點。你可以使用這個每日構建的包來嘗試最新的功能，并在我們的下一個官方版本中預覽一下！

開源貢獻對我們來說很重要！

OpenVINO 已經是一個超過 5 年的開源項目了。最近，我們準備了一系列貢獻任務，通過向 OpenVINO 貢獻，可以更好地幫助社區圍繞人工智能生態系統和開源項目構建知識。這包括支持新的編譯選項和添加更多需要注意的操作等任務。

查看我們在 GitHub 上的鏈接，看看有沒有你感興趣的任務！

如上所述，我們非常感謝迄今為止我們看到的所有被合并進來的開源貢獻。我們還要公開感謝我們最近的一些貢獻者！他們是Siddhant Chauhan、rsa-10、Santhosh Mamidisetti 和 Mahimai Raja J.。由于您的幫助，產品變得更好！