# 引言
在当今以数据为驱动的世界中,嵌入技术在文档问答(QA)、检索增强生成(RAG)等应用中至关重要。这篇文章将为您介绍如何使用LangChain与IPEX-LLM优化在Intel GPU上进行嵌入任务。特别是对于使用Intel Arc系列GPU的用户,这种优化可以显著降低延迟。
# 主要内容
## 安装前准备
为了在Intel GPU上充分利用IPEX-LLM,需要进行几项工具安装和环境准备。根据您的操作系统,遵循以下指南:
- **Windows用户**:更新GPU驱动(可选),并安装Conda。详情请参考[Windows安装指南](https://example.com)。
- **Linux用户**:安装GPU驱动、Intel® oneAPI Base Toolkit 2024.0和Conda。详情请参考[Linux安装指南](https://example.com)。
## 环境配置
在安装完所有先决条件后,创建一个Conda环境并启动Jupyter服务。
```bash
%pip install -qU langchain langchain-community
%pip install --pre --upgrade ipex-llm[xpu] --extra-index-url https://pytorch-extension.intel.com/release-whl/stable/xpu/us/
%pip install sentence-transformers
运行时配置
为获得最佳性能,根据设备设置环境变量:
-
Windows用户(Intel Core Ultra iGPU)
import os os.environ["SYCL_CACHE_PERSISTENT"] = "1" os.environ["BIGDL_LLM_XMX_DISABLED"] = "1"
-
Windows用户(Intel Arc A系列GPU)
import os os.environ["SYCL_CACHE_PERSISTENT"] = "1"
基本用法
您可以通过设置device
为"xpu"
来将嵌入模型放置在Intel GPU上,以利用IPEX-LLM的优化:
from langchain_community.embeddings import IpexLLMBgeEmbeddings
# 使用API代理服务提高访问稳定性
embedding_model = IpexLLMBgeEmbeddings(
model_name="BAAI/bge-large-en-v1.5",
model_kwargs={"device": "xpu"},
encode_kwargs={"normalize_embeddings": True},
)
sentence = "IPEX-LLM是一个在Intel CPU和GPU上运行LLM的PyTorch库。"
query = "什么是IPEX-LLM?"
text_embeddings = embedding_model.embed_documents([sentence, query])
print(f"text_embeddings[0][:10]: {text_embeddings[0][:10]}")
print(f"text_embeddings[1][:10]: {text_embeddings[1][:10]}")
query_embedding = embedding_model.embed_query(query)
print(f"query_embedding[:10]: {query_embedding[:10]}")
常见问题和解决方案
-
首次运行等待时间长:在Intel iGPU或Arc A300系列上,首次运行可能需几分钟来编译。
-
网络访问限制:由于某些地区的网络限制,开发者可能需要使用API代理服务来提高API访问的稳定性。
总结和进一步学习资源
通过本文介绍,您现在可以在Intel GPU上使用IPEX-LLM和LangChain进行高效的嵌入任务。要深入学习,请参考以下资源:
参考资料
如果这篇文章对你有帮助,欢迎点赞并关注我的博客。您的支持是我持续创作的动力!
---END---