Hugging Face Optimum for Intel Gaudi:加速AI训练与推理
项目介绍
Hugging Face Optimum for Intel Gaudi 是一个旨在简化Hugging Face Transformers与Difffusers库在Intel Gaudi AI加速器(HPU)上使用的接口。它提供了一系列工具,便于单卡或多卡设置下各种下游任务的模型加载、训练和推理。通过利用Intel Gaudi的高性能计算能力,此项目提供了高效且价格性能比优异的解决方案。用户可以轻松地将数千个Hugging Face模型适配到Intel Gaudi加速器上,并且只需进行少量修改即可适用于不同任务。
快速启动
要立即开始在Habana Gaudi处理器上使用Transformers,您需遵循以下步骤:
安装Optimum Habana稳定版本
pip install --upgrade-strategy eager optimum[habana]
获取示例脚本
克隆仓库并切换到对应稳定版本分支:
git clone https://github.com/huggingface/optimum-habana
cd optimum-habana
git checkout v1.13.1 # 假定这是最新的稳定版
示例用法
以修改过的Trainer为例,使用GaudiTrainer
替换原Trainer
类,添加Habana特定配置:
from optimum.habana import GaudiConfig, GaudiTrainer
from transformers import TrainingArguments
training_args = TrainingArguments(
use_habana=True,
use_lazy_mode=True,
gaudi_config_name="path_to_gaudi_config",
)
# 初始化Trainer时使用GaudiTrainer
trainer = GaudiTrainer(
model=model,
args=training_args,
train_dataset=train_dataset if training_args.do_train else None,
eval_dataset=eval_dataset if training_args.do_eval else None,
compute_metrics=compute_metrics,
tokenizer=tokenizer,
data_collator=data_collator,
)
应用案例与最佳实践
对于使用案例,比如文本生成或者图像合成,您可以使用GaudiStableDiffusionPipeline
来优化Stable Diffusion模型在HPU上的表现。这包括了如下的使用方式:
from optimum.habana.diffusers import GaudiStableDiffusionPipeline
model_name = "CompVis/stable-diffusion-v1-4"
pipeline = GaudiStableDiffusionPipeline.from_pretrained(
model_name,
use_habana=True,
use_hpu_graphs=True,
gaudi_config="Habana/stable-diffusion",
)
output = pipeline(["一幅毕加索风格的松鼠图画"], num_images_per_prompt=16)
最佳实践中,重要的是调整GaudiConfig
以适应您的模型和任务需求,充分利用混合精度训练以及优化算子。
典型生态项目
Optimum for Intel Gaudi项目不仅支持主流的自然语言处理模型,如BERT、RoBERTa等,还兼容深度学习领域内的多种架构,如用于图像分类的ViT、Swin,以及语音识别的Wav2Vec2等。此外,它也支持扩散模型Stable Diffusion等,在文本到图像生成领域展现实力。这个生态让开发者能够在其广泛支持的设备上灵活运用Hugging Face模型。
开发者可以通过访问Hugging Face官方文档和社区论坛,找到更多关于如何在实际项目中集成和优化这些模型的指导和案例分享。无论是深度学习研究者还是工业界的应用开发者,Optimum for Intel Gaudi都为在Intel Gaudi平台上部署高质量AI解决方案提供了强大工具集。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0295- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









