加速推理

Sentence Transformers 支持 3 种用于计算嵌入（embedding）的后端，每种后端都有其独特的推理加速优化方法：

PyTorch

Sentence Transformers 的默认后端。

ONNX

灵活高效的模型加速器。

OpenVINO

主要针对 Intel 硬件的模型优化。

基准测试

不同后端的基准测试。

用户界面

用于导出、优化和量化模型的图形用户界面。

PyTorch

PyTorch 后端是 Sentence Transformers 的默认后端。如果您不指定设备，它将自动在 “cuda”、“mps” 和 “cpu” 中选择最强大的可用选项。其默认用法如下：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("all-MiniLM-L6-v2")

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)

如果您正在使用 GPU，可以使用以下选项来加速推理：

float16 (fp16)

Float32 (fp32, 全精度) 是 torch 中的默认浮点格式，而 float16 (fp16, 半精度) 是一种降精度浮点格式，可以在 GPU 上以极小的模型精度损失为代价来加速推理。要使用它，您可以在初始化时指定 torch_dtype，或在初始化后的模型上调用 model.half()：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("all-MiniLM-L6-v2", model_kwargs={"torch_dtype": "float16"})
# or: model.half()

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)

bfloat16 (bf16)

Bfloat16 (bf16) 与 fp16 类似，但能更好地保留 fp32 的原始精度。要使用它，您可以在初始化时指定 torch_dtype，或在初始化后的模型上调用 model.bfloat16()：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("all-MiniLM-L6-v2", model_kwargs={"torch_dtype": "bfloat16"})
# or: model.bfloat16()

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)

ONNX

导出、优化和量化 Hugging Face 模型

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export

ONNX 可用于加速推理，方法是将模型转换为 ONNX 格式，并使用 ONNX Runtime 运行模型。要使用 ONNX 后端，您必须通过 onnx（用于 CPU 加速）或 onnx-gpu（用于 GPU 加速）的 extra 依赖来安装 Sentence Transformers：

pip install sentence-transformers[onnx-gpu]
# or
pip install sentence-transformers[onnx]

要将模型转换为 ONNX 格式，您可以使用以下代码：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("all-MiniLM-L6-v2", backend="onnx")

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)

如果模型路径或仓库中已包含 ONNX 格式的模型，Sentence Transformers 会自动使用它。否则，它会将模型转换为 ONNX 格式。

注意

如果您希望在 Sentence Transformers 之外使用 ONNX 模型，您需要自己执行池化（pooling）和/或归一化（normalization）。ONNX 导出仅转换 Transformer 组件，该组件输出的是词元嵌入（token embeddings），而不是句子嵌入（sentence embeddings）。要获得句子嵌入，您需要应用适当的池化策略（如平均池化）以及原始模型使用的任何归一化操作。

所有通过 model_kwargs 传递的关键字参数都将被传递给 ORTModel.from_pretrained。一些值得注意的参数包括：

• provider: 用于加载模型的 ONNX Runtime provider，例如 "CPUExecutionProvider"。有关可用的 provider，请参阅 https://runtime.onnx.org.cn/docs/execution-providers/。如果未指定，将使用最强大的 provider（例如 "CUDAExecutionProvider"）。

• file_name: 要加载的 ONNX 文件的名称。如果未指定，将默认为 "model.onnx" 或 "onnx/model.onnx"。此参数对于指定优化或量化后的模型很有用。

• export: 一个布尔标志，指定是否导出模型。如果未提供，且模型仓库或目录中不包含 ONNX 模型，export 将被设为 True。

提示

强烈建议保存导出的模型，以避免每次运行代码时都重新导出。如果您的模型是本地的，可以通过调用 model.save_pretrained() 来实现：

model = SentenceTransformer("path/to/my/model", backend="onnx")
model.save_pretrained("path/to/my/model")

如果您的模型来自 Hugging Face Hub，则可以使用 model.push_to_hub()：

model = SentenceTransformer("intfloat/multilingual-e5-small", backend="onnx")
model.push_to_hub("intfloat/multilingual-e5-small", create_pr=True)

优化 ONNX 模型

导出、优化和量化 Hugging Face 模型

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export

ONNX 模型可以使用 Optimum 进行优化，从而在 CPU 和 GPU 上实现加速。为此，您可以使用 export_optimized_onnx_model() 函数，它会将优化后的模型保存在您指定的目录或模型仓库中。它需要以下参数：

• model: 一个使用 ONNX 后端加载的 Sentence Transformer、Sparse Encoder 或 Cross Encoder 模型。

• optimization_config: "O1"、"O2"、"O3" 或 "O4"，代表来自 AutoOptimizationConfig 的优化级别，或者一个 OptimizationConfig 实例。

• model_name_or_path: 用于保存优化后模型文件的路径，或者如果您想将其推送到 Hugging Face Hub，则为仓库名称。

• push_to_hub: （可选）一个布尔值，用于将优化后的模型推送到 Hugging Face Hub。

• create_pr: （可选）一个布尔值，用于在推送到 Hugging Face Hub 时创建一个拉取请求（pull request）。当您没有仓库的写权限时很有用。

• file_suffix: （可选）一个字符串，用于在保存模型时附加到模型名称后。如果未指定，将使用优化级别的名称字符串，或者如果优化配置不只是一个字符串优化级别，则仅使用 "optimized"。

请参阅此示例，了解如何使用优化级别 3（基础和扩展的通用优化、transformers 特定融合、快速 Gelu 近似）导出模型：

Hugging Face Hub 模型

仅优化一次

from sentence_transformers import SentenceTransformer, export_optimized_onnx_model

model = SentenceTransformer("all-MiniLM-L6-v2", backend="onnx")
export_optimized_onnx_model(
    model=model,
    optimization_config="O3",
    model_name_or_path="sentence-transformers/all-MiniLM-L6-v2",
    push_to_hub=True,
    create_pr=True,
)

在拉取请求合并之前

from sentence_transformers import SentenceTransformer

pull_request_nr = 2 # TODO: Update this to the number of your pull request
model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_O3.onnx"},
    revision=f"refs/pr/{pull_request_nr}"
)

拉取请求合并后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_O3.onnx"},
)

本地模型

仅优化一次

from sentence_transformers import SentenceTransformer, export_optimized_onnx_model

model = SentenceTransformer("path/to/my/mpnet-legal-finetuned", backend="onnx")
export_optimized_onnx_model(
    model=model, optimization_config="O3", model_name_or_path="path/to/my/mpnet-legal-finetuned"
)

优化后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "path/to/my/mpnet-legal-finetuned",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_O3.onnx"},
)

量化 ONNX 模型

导出、优化和量化 Hugging Face 模型

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export

ONNX 模型可以使用 Optimum 量化到 int8 精度，从而在 CPU 上实现更快的推理。为此，您可以使用 export_dynamic_quantized_onnx_model() 函数，它会将量化后的模型保存在您指定的目录或模型仓库中。动态量化与静态量化不同，它不需要校准数据集。它需要以下参数：

• model: 一个使用 ONNX 后端加载的 Sentence Transformer、Sparse Encoder 或 Cross Encoder 模型。

• quantization_config: "arm64"、"avx2"、"avx512" 或 "avx512_vnni"，代表来自 AutoQuantizationConfig 的量化配置，或者一个 QuantizationConfig 实例。

• model_name_or_path: 用于保存量化后模型文件的路径，或者如果您想将其推送到 Hugging Face Hub，则为仓库名称。

• push_to_hub: （可选）一个布尔值，用于将量化后的模型推送到 Hugging Face Hub。

• create_pr: （可选）一个布尔值，用于在推送到 Hugging Face Hub 时创建一个拉取请求（pull request）。当您没有仓库的写权限时很有用。

• file_suffix: （可选）一个字符串，用于在保存模型时附加到模型名称后。如果未指定，将使用 "qint8_quantized"。

在我的 CPU 上，每种默认的量化配置（"arm64"、"avx2"、"avx512"、"avx512_vnni"）都带来了大致相当的速度提升。

请参阅此示例，了解如何使用 avx512_vnni 将模型量化为 int8：

Hugging Face Hub 模型

仅量化一次

from sentence_transformers import SentenceTransformer, export_dynamic_quantized_onnx_model

model = SentenceTransformer("all-MiniLM-L6-v2", backend="onnx")
export_dynamic_quantized_onnx_model(
    model=model,
    quantization_config="avx512_vnni",
    model_name_or_path="sentence-transformers/all-MiniLM-L6-v2",
    push_to_hub=True,
    create_pr=True,
)

在拉取请求合并之前

from sentence_transformers import SentenceTransformer

pull_request_nr = 2 # TODO: Update this to the number of your pull request
model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_qint8_avx512_vnni.onnx"},
    revision=f"refs/pr/{pull_request_nr}",
)

拉取请求合并后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_qint8_avx512_vnni.onnx"},
)

本地模型

仅量化一次

from sentence_transformers import SentenceTransformer, export_dynamic_quantized_onnx_model

model = SentenceTransformer("path/to/my/mpnet-legal-finetuned", backend="onnx")
export_dynamic_quantized_onnx_model(
    model=model, quantization_config="avx512_vnni", model_name_or_path="path/to/my/mpnet-legal-finetuned"
)

量化后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "path/to/my/mpnet-legal-finetuned",
    backend="onnx",
    model_kwargs={"file_name": "onnx/model_qint8_avx512_vnni.onnx"},
)

OpenVINO

导出、优化和量化 Hugging Face 模型

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export

OpenVINO 通过将模型导出为 OpenVINO 格式，实现在 CPU 上的加速推理。要使用 OpenVINO 后端，您必须通过 openvino extra 依赖来安装 Sentence Transformers：

pip install sentence-transformers[openvino]

要将模型转换为 OpenVINO 格式，您可以使用以下代码：

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("all-MiniLM-L6-v2", backend="openvino")

sentences = ["This is an example sentence", "Each sentence is converted"]
embeddings = model.encode(sentences)

如果模型路径或仓库中已包含 OpenVINO 格式的模型，Sentence Transformers 会自动使用它。否则，它会将模型转换为 OpenVINO 格式。

注意

如果您希望在 Sentence Transformers 之外使用 OpenVINO 模型，您需要自己执行池化（pooling）和/或归一化（normalization）。OpenVINO 导出仅转换 Transformer 组件，该组件输出的是词元嵌入（token embeddings），而不是句子嵌入（sentence embeddings）。要获得句子嵌入，您需要应用适当的池化策略（如平均池化）以及原始模型使用的任何归一化操作。

所有通过 model_kwargs 传递的关键字参数都将被传递给 OVBaseModel.from_pretrained()。一些值得注意的参数包括：

• file_name: 要加载的 ONNX 文件的名称。如果未指定，将默认为 "openvino_model.xml" 或 "openvino/openvino_model.xml"。此参数对于指定优化或量化后的模型很有用。

• export: 一个布尔标志，指定是否导出模型。如果未提供，且模型仓库或目录中不包含 OpenVINO 模型，export 将被设为 True。

提示

强烈建议保存导出的模型，以避免每次运行代码时都重新导出。如果您的模型是本地的，可以通过调用 model.save_pretrained() 来实现：

model = SentenceTransformer("path/to/my/model", backend="openvino")
model.save_pretrained("path/to/my/model")

如果您的模型来自 Hugging Face Hub，则可以使用 model.push_to_hub()：

model = SentenceTransformer("intfloat/multilingual-e5-small", backend="openvino")
model.push_to_hub("intfloat/multilingual-e5-small", create_pr=True)

量化 OpenVINO 模型

导出、优化和量化 Hugging Face 模型

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export

OpenVINO 模型可以使用 Optimum Intel 量化到 int8 精度以加速推理。为此，您可以使用 export_static_quantized_openvino_model() 函数，它会将量化后的模型保存在您指定的目录或模型仓库中。训练后静态量化（Post-Training Static Quantization）需要以下参数：

• model: 一个使用 OpenVINO 后端加载的 Sentence Transformer、Sparse Encoder 或 Cross Encoder 模型。

• quantization_config: （可选）量化配置。此参数接受以下任一类型：None 表示默认的 8 位量化，一个表示量化配置的字典，或一个 OVQuantizationConfig 实例。

• model_name_or_path: 用于保存量化后模型文件的路径，或者如果您想将其推送到 Hugging Face Hub，则为仓库名称。

• dataset_name: （可选）用于校准的数据集名称。如果未指定，默认为 glue 数据集中的 sst2 子集。

• dataset_config_name: （可选）要加载的数据集的具体配置。

• dataset_split: （可选）要加载的数据集划分（例如，‘train’、‘test’）。

• column_name: （可选）数据集中用于校准的列名。

• push_to_hub: （可选）一个布尔值，用于将量化后的模型推送到 Hugging Face Hub。

• create_pr: （可选）一个布尔值，用于在推送到 Hugging Face Hub 时创建一个拉取请求（pull request）。当您没有仓库的写权限时很有用。

• file_suffix: （可选）一个字符串，用于在保存模型时附加到模型名称后。如果未指定，将使用 "qint8_quantized"。

请参阅此示例，了解如何使用静态量化将模型量化为 int8：

Hugging Face Hub 模型

仅量化一次

from sentence_transformers import SentenceTransformer, export_static_quantized_openvino_model

model = SentenceTransformer("all-MiniLM-L6-v2", backend="openvino")
export_static_quantized_openvino_model(
    model=model,
    quantization_config=None,
    model_name_or_path="sentence-transformers/all-MiniLM-L6-v2",
    push_to_hub=True,
    create_pr=True,
)

在拉取请求合并之前

from sentence_transformers import SentenceTransformer

pull_request_nr = 2 # TODO: Update this to the number of your pull request
model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="openvino",
    model_kwargs={"file_name": "openvino/openvino_model_qint8_quantized.xml"},
    revision=f"refs/pr/{pull_request_nr}"
)

拉取请求合并后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "all-MiniLM-L6-v2",
    backend="openvino",
    model_kwargs={"file_name": "openvino/openvino_model_qint8_quantized.xml"},
)

本地模型

仅量化一次

from sentence_transformers import SentenceTransformer, export_static_quantized_openvino_model
from optimum.intel import OVQuantizationConfig

model = SentenceTransformer("path/to/my/mpnet-legal-finetuned", backend="openvino")
quantization_config = OVQuantizationConfig()
export_static_quantized_openvino_model(
    model=model, quantization_config=quantization_config, model_name_or_path="path/to/my/mpnet-legal-finetuned"
)

量化后

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "path/to/my/mpnet-legal-finetuned",
    backend="openvino",
    model_kwargs={"file_name": "openvino/openvino_model_qint8_quantized.xml"},
)

基准测试

下图展示了不同后端在 GPU 和 CPU 上的基准测试结果。这些结果是综合了 4 种不同大小的模型、3 个数据集和多种批处理大小后的平均值。

展开基准测试详情

加速比

• 硬件：RTX 3090 GPU, i7-17300K CPU
• 数据集：GPU 测试使用 2000 个样本，CPU 测试使用 1000 个样本。
  • sentence-transformers/stsb: 平均 38.9 个字符 (标准差=13.9)
  • sentence-transformers/natural-questions: 仅答案部分，平均 619.6 个字符 (标准差=345.3)
  • stanfordnlp/imdb: 文本重复 4 次，平均 9589.3 个字符 (标准差=633.4)
• 模型
  • sentence-transformers/all-MiniLM-L6-v2: 2270 万参数；批处理大小为 16, 32, 64, 128 和 256。
  • BAAI/bge-base-en-v1.5: 1.09 亿参数；批处理大小为 16, 32, 64 和 128。
  • mixedbread-ai/mxbai-embed-large-v1: 3.35 亿参数；批处理大小为 8, 16, 32 和 64。GPU 测试还包括 128 和 256。
  • BAAI/bge-m3: 5.67 亿参数；批处理大小为 2, 4。GPU 测试还包括 8, 16 和 32。

性能比：使用了相同的模型和硬件。我们将性能与使用 fp32 的 PyTorch（即默认后端和精度）进行比较。

• 评估
  • 语义文本相似度：在 sentence-transformers/stsb 测试集上，基于余弦相似度的斯皮尔曼等级相关系数，通过 EmbeddingSimilarityEvaluator 计算。
  • 信息检索：在整个 NanoBEIR 数据集集合上，基于余弦相似度的 NDCG@10，通过 InformationRetrievalEvaluator 计算。

• 后端
  • torch-fp32: PyTorch，使用 float32 精度（默认）。
  • torch-fp16: PyTorch，使用 float16 精度，通过 model_kwargs={"torch_dtype": "float16"} 实现。
  • torch-bf16: PyTorch，使用 bfloat16 精度，通过 model_kwargs={"torch_dtype": "bfloat16"} 实现。
  • onnx: ONNX，使用 float32 精度，通过 backend="onnx" 实现。
  • onnx-O1: ONNX，使用 float32 精度和 O1 优化，通过 export_optimized_onnx_model(..., optimization_config="O1", ...) 和 backend="onnx" 实现。
  • onnx-O2: ONNX，使用 float32 精度和 O2 优化，通过 export_optimized_onnx_model(..., optimization_config="O2", ...) 和 backend="onnx" 实现。
  • onnx-O3: ONNX，使用 float32 精度和 O3 优化，通过 export_optimized_onnx_model(..., optimization_config="O3", ...) 和 backend="onnx" 实现。
  • onnx-O4: ONNX，使用 float16 精度和 O4 优化，通过 export_optimized_onnx_model(..., optimization_config="O4", ...) 和 backend="onnx" 实现。
  • onnx-qint8: ONNX，使用 "avx512_vnni" 量化到 int8，通过 export_dynamic_quantized_onnx_model(..., quantization_config="avx512_vnni", ...) 和 backend="onnx" 实现。不同的量化配置带来了大致相当的速度提升。
  • openvino: OpenVINO，通过 backend="openvino" 实现。
  • openvino-qint8: OpenVINO，量化到 int8，通过 export_static_quantized_openvino_model(..., quantization_config=OVQuantizationConfig(), ...) 和 backend="openvino" 实现。

请注意，对模型、数据集和批处理大小进行的大幅度平均，掩盖了一些更复杂的模式。例如，对于 GPU，如果我们只考虑文本最短的 stsb 数据集，ONNX 表现更好：ONNX 为 1.46 倍，ONNX-O4 达到 1.83 倍，而 fp16 和 bf16 分别达到 1.54 倍和 1.53 倍。因此，对于较短的文本，我们建议在 GPU 上使用 ONNX。

对于 CPU，ONNX 在文本最短的 stsb 数据集上同样表现更强：ONNX 为 1.39 倍，超过了 OpenVINO 的 1.29 倍。使用 int8 量化的 ONNX 甚至更强，速度提升达到 3.08 倍。对于较长的文本，ONNX 和 OpenVINO 的性能甚至可能略低于 PyTorch，因此我们建议您根据您的具体模型和数据测试不同的后端，以找到最适合您用例的方案。

建议

基于基准测试，以下流程图可以帮助您决定为您的模型使用哪种后端：

        %%{init: {
   "theme": "neutral",
   "flowchart": {
      "curve": "bumpY"
   }
}}%%
graph TD
A(What is your hardware?) -->|GPU| B(Is your text usually smaller<br>than 500 characters?)
A -->|CPU| C(Is a 0.4% accuracy loss<br>acceptable?)
B -->|yes| D[onnx-O4]
B -->|no| F[float16]
C -->|yes| G[openvino-qint8]
C -->|no| H(Do you have an Intel CPU?)
H -->|yes| I[openvino]
H -->|no| J[onnx]
click D "#optimizing-onnx-models"
click F "#pytorch"
click G "#quantizing-openvino-models"
click I "#openvino"
click J "#onnx"
    

注意

您的实际效果可能会有所不同，您应该始终使用您的特定模型和数据来测试不同的后端，以找到最适合您用例的方案。

用户界面

此 Hugging Face Space 提供了一个用户界面，用于导出、优化和量化 ONNX 或 OpenVINO 模型

• sentence-transformers/backend-export