Optimum详解

Optimum 是 Hugging Face 提供的 Transformers 和 Diffusers 的扩展库，旨在帮助用户在目标硬件上以最高效率训练和运行模型，同时保持易于使用的特性。

主要功能

• 模型优化 ：支持多种优化技术，如图优化、训练后动态量化、训练后静态量化、量化感知训练、FP16 等，可适应不同的硬件和应用场景。

• 硬件加速支持 ：兼容多种硬件加速框架，包括 ONNX Runtime、TensorFlow Lite、OpenVINO、Habana Gaudi、TensorRT 等，能根据硬件设备特性实现最优性能。

• 模型导出与转换 ：可将模型导出为 ONNX 等格式，便于在不同平台和环境中部署，并支持从 PyTorch 等框架检查点转换为优化后的模型格式。

• 与 Transformers 无缝集成 ：使用简单，只需替换 Transformers 中的对应类，即可加载和运行优化后的模型，无需大幅修改现有代码结构。

• 量化功能 ：支持对模型进行量化，以减少显存占用、提高推理速度，同时保持模型精度。

安装依赖

conda create -n llm python=3.11
conda activate llm
pip install --pre -U openvino-genai openvino openvino-tokenizers --extra-index-url https://storage.openvinotoolkit.org/simple/wheels/nightly
pip install nncf
pip install git+https://github.com/openvino-dev-samples/optimum-intel.git@2aebd4441023d3c003b27c87fff5312254ac

optimum-cli 参数详解

optimum-cli 是 Hugging Face Optimum 提供的一个命令行工具，可用于将模型导出为不同的格式，如 ONNX 或 OpenVINO IR，并对模型进行优化等操作。

模型导出相关参数

• -m 或 --model ：指定模型 ID 或模型在本地的路径，这是要进行导出或优化的模型来源，比如 meta-llama/Meta-Llama-3.1-8B。

• --task ：指定模型的任务类型，如果不指定，工具会尝试根据模型自动推断。若为本地模型或需要指定特定任务时，必须使用该参数，例如 text-generation 表示文本生成任务，question-answering 表示问答任务等。任务类型包括：['feature-extraction', 'image-to-text', 'audio-xvector', 'text-generation', 'multiple-choice', 'reinforcement-learning','zero-shot-image-classification', 'audio-classification', 'text-to-audio', 'audio-frame-classification', 'token-classification', 'automatic-speech-recognition', 'question-answering','semantic-segmentation', 'sentence-similarity', 'object-detection', 'mask-generation', 'fill-mask', 'image-classification', 'image-segmentation', 'text2text-generation', 'zero-shot-object-detection', 'masked-im', 'text-classification', 'image-to-image', 'depth-estimation','visual-question-answering']。对于解码器模型，使用 xxx-with-past 来导出模型，利用解码器中的过去键值。

• --monolith ：强制将模型导出为单个 ONNX 文件，默认情况下，对于编码器 - 解码器模型等可能包含多个组件的模型，导出工具可能会将其拆分为多个 ONNX 文件。

• --device ：指定用于导出的设备，默认为 cpu，也可设置为 cuda 等其他设备。

• --opset ：指定导出模型时使用的 ONNX opset 版本，若不指定，则使用默认的 opset 版本。

• --atol ：指定验证模型时的绝对误差容忍度，如果不指定，则使用模型的默认 atol 值。

• --framework ：指定用于 ONNX 导出的框架，可选值为 pt 或 tf，若不提供，将尝试使用本地模型原始框架或环境中可用的框架。

• --cache_dir ：指定缓存目录的路径，用于存储相关缓存文件。

• --trust-remote-code ：允许使用模型仓库中托管的自定义代码，仅在信任仓库中的代码并已阅读时使用，因为这会在本地机器上执行模型仓库中的任意代码。

• --no-post-process ：禁用导出后对 ONNX 模型执行的默认后处理操作，如将解码器和带 past 的解码器模型合并为一个 ONNX 文件以减少内存占用等。

模型优化相关参数

• --optimize ：在 ONNX 导出期间直接对模型进行优化，可选值有 O1、O2、O3、O4，其中 O1 为基本通用优化，O2 包括基本和扩展的通用优化以及 transformers 相关的融合，O3 与 O2 相同但带有 GELU 近似，O4 与 O3 相同但带有混合精度（fp16），O4 仅限 GPU 且需要 --device cuda。

• --weight-format ：指定权重量化格式，取值如下：{fp32,fp16,int8,int4,mxfp4,nf4}，用于对模型权重进行量化以实现更轻量化的部署和最佳性能表现。

• --quant-mode ：量化精度模式。这用于应用全模型量化，包括激活函数。取值如下：{int8,f8e4m3,f8e5m2,nf4_f8e4m3,nf4_f8e5m2,int4_f8e4m3,int4_f8e5m2}。

• --group-size ：在权重量化时，指定分组大小，例如 --group-size 128，与 --weight-format 配合使用以控制量化过程中的分组粒度。

• --ratio ：在量化时指定保留权重量化的比率，例如 --ratio 0.8，表示保留 80% 的量化权重。

• --sym ：在量化时使用对称量化方式。(1) --weight-format int8 --sym => 权重的 int8 对称量化；(2) --weight-format int4 => 权重的 int4 非对称量化；(3) --weight-format int4 --sym --backup-precision int8_asym => 权重的 int4 对称量化，带有 int8 非对称备份精度；(4) --quant-mode int8 --sym => 权重和激活函数量化为 int8 对称数据类型；(5) --quant-mode int8 => 激活函数量化为 int8 非对称数据类型，权重量化为 int8 对称数据类型；(6) --quant-mode int4_f8e5m2 --sym => 激活函数量化为 f8e5m2 数据类型，权重量化为 int4 对称数据类型。

• --backup-precision ：指定备份精度，例如 --backup-precision int8_sym，用于在量化过程中保留备份的精度格式。取值如下：{none,int8_sym,int8_asym}。

• --scale-estimation ：在量化时进行尺度估计。

其他参数

• --pad_token_id ：某些模型在某些任务中需要该参数，若未提供，将尝试使用 tokenizer 猜测。

• --batch_size ：指定输入批次的大小，对于处理批量数据时有用。

• --sequence_length ：指定序列长度，适用于自然语言处理任务中对输入序列长度的设置。

• --num_choices ：用于多项选择任务，指定选项的数量。

• --width 、 --height 、 --num_channels 、 --feature_size 、 --nb_max_frames 、 --audio_sequence_length ：这些参数分别对应于图像或音频等数据的特征维度设置，在处理相应的视觉或音频任务时使用。

• --library ：在导出之前加载模型所使用的库。如果没有提供，将尝试推断本地检查点的库。取值如下：{transformers,diffusers,timm,sentence_transformers,open_clip}。

• --dataset ：DATASET 用于基于数据的压缩或使用 NNCF 量化的数据集。对于语言模型，可以使用以下列表中的一个：['auto','wikitext2','c4','c4-new'] 。使用 'auto' 时，数据集将从模型的生成中收集。对于扩散模型，应该是 ['conceptual_captions','laion/220k-GPT4Vision-captions-from-LIVIS','laion/filtered-wit'] 中的一个。对于视觉语言模型，数据集必须设置为 'contextual' 。注意：如果未选择任何基于数据的压缩算法，并且省略了比例参数或其值为 1.0，则数据集参数对结果模型不会产生影响。

• --awq ：是否应用 AWQ 算法。AWQ 可提高 INT4 压缩大型语言模型的生成质量，但需要额外的时间在校准数据集上调整权重。要运行 AWQ ，请同时提供数据集参数。注意：有可能在模型中没有可应用 AWQ 的匹配模式，在这种情况下将跳过 AWQ 。

• --scale-estimation：表示是否应用一种缩放估计算法，以最小化原始层和压缩层之间的 L2 误差。运行缩放估计需要提供数据集。请注意，应用缩放估计会消耗额外的内存和时间。

使用示例

将QWEN3-4B模型转为openvino IR模型

optimum-cli export openvino --model D:\AI\llm_openvino\qwen3-4b --weight-format int4 --task  text-generation D:\AI\llm_openvino\qwen3-4b-ov

optimum 的使用方法

加载 qwen3-4b-ov 模型并使用 OpenVINO Runtime 运行推理

from modelscope import AutoTokenizer
from optimum.intel.openvino import OVModelForCausalLMmodel_id = "D:\AI\llm_openvino\qwen3-4b-ov"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = OVModelForCausalLM.from_pretrained(model_id, use_cache=False)inputs = tokenizer("北京故宫始建于", return_tensors="pt")outputs = model.generate(**inputs, max_length=200)
text = tokenizer.batch_decode(outputs)[0]
print(text)