Infinity项目中使用ONNX模型进行文本嵌入的性能优化实践

引言

在自然语言处理领域，文本嵌入(Text Embedding)是一项基础而重要的技术，它将文本转换为向量表示，为下游任务如语义搜索、文本分类等提供支持。Infinity项目作为一个高效的文本嵌入引擎，支持使用ONNX格式的模型进行推理，本文将通过一个实际案例探讨其使用方法和性能优化要点。

ONNX模型准备

Infinity项目要求使用ONNX格式的模型文件。对于常见的Sentence Transformers模型，用户需要预先将其转换为ONNX格式。例如，对于"all-MiniLM-L6-v2"模型，可以使用HuggingFace上已经转换好的ONNX版本。

模型转换完成后，需要确保模型目录中包含以下关键文件：

• model.onnx：原始ONNX模型文件
• model_optimized.onnx：优化后的ONNX模型文件
• 其他相关配置文件

初始化嵌入引擎

使用Infinity项目进行文本嵌入时，首先需要初始化AsyncEmbeddingEngine。关键参数包括：

from infinity_emb import AsyncEmbeddingEngine, EngineArgs

engine = AsyncEmbeddingEngine.from_args(
    EngineArgs(
        model_name_or_path="path/to/onnx_model",
        device="cpu",  # 或"cuda"使用GPU
        batch_size=1,
        lengths_via_tokenize=False,
        model_warmup=True,
        engine="optimum",  # CPU使用optimum引擎
    )
)

性能优化实践

在实际使用中，我们发现几个影响性能的关键因素：

1. 引擎生命周期管理：引擎的启动和停止会消耗较多时间，应避免在每次推理时重复这一过程。

# 推荐方式：使用上下文管理器管理引擎生命周期
async with engine:
    embeddings = await engine.embed(sentences)

# 或显式管理
await engine.astart()
# 执行多次推理
await engine.astop()

2. 批量处理优势：Infinity项目在大批量文本处理时能展现更好的性能优势。对于单条短文本，传统Sentence Transformers可能表现更优。

3. 预热模型：设置model_warmup=True可以让引擎预先执行推理，建立性能基准。

性能对比分析

我们对比了Infinity(ONNX)和原生Sentence Transformers在CPU上的表现：

• 短文本单条处理：

  • Sentence Transformers: ~0.1秒
  • Infinity: ~1秒（包含引擎启动时间）

• 批量处理长文本：

  • Infinity展现出更好的扩展性，随着批量增大，吞吐量显著提升

最佳实践建议

1. 对于生产环境，保持引擎长期运行，避免频繁启停
2. 根据实际场景调整batch_size参数
3. 对于短文本少量请求，评估是否真的需要Infinity
4. 使用warmup功能建立性能基准
5. 考虑使用量化后的ONNX模型进一步提升性能

结论

Infinity项目为文本嵌入提供了高效的解决方案，特别是在批量处理和大文本场景下。通过合理的配置和使用方式，可以充分发挥其性能优势。开发者应根据实际应用场景，在模型选择、引擎管理和批处理策略等方面进行调优，以获得最佳的性能表现。