TEMPO — 昇腾 NPU 适配模型

赛事: 昇腾 Model Agent 模型适配大赛（第二季）引擎: torch_npu + GPT2（peft LoRA）硬件: Ascend 910B 系列（实测 Ascend910B4）标签: npu ascend pytorch transformers

📖 模型简介

属性	值
原始模型	Melady/TEMPO
架构	TEMPO-80M（GPT2 时序基础模型，STL 分解 + prompt）
参数量	71.3M（3 层 GPT2 + STL 映射层）
任务类型	时序预测（Time Series Forecasting）
输入格式	`[batch, seq_len, channels]` 时序
输出格式	未来 `pred_len` 步预测

🔧 环境依赖与代码获取

⚠️ 本仓库不包含模型权重（交付件仅 inference.py / readme.md / requirements.txt / assets/），推理前必须先从原始模型仓单独下载权重。

依赖清单（requirements.txt）：

torch / torch_npu（昇腾 NPU 环境）
transformers（GPT2 模型）
omegaconf（配置解析）
peft（LoRA 适配器）
einops、numpy

代码获取：inference.py 首次运行会自动从官方 GitHub（DC-research/TEMPO）下载 tempo/models/TEMPO.py、tempo/embed.py、tempo/utils/rev_in.py 等模型代码，并注入 NPU 兼容补丁（prompt=0 时跳过 GPT2 tokenizer 下载）。

🚀 推理步骤

# 1. 安装依赖
pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/

# 2. 下载模型权重（仓库不含权重，必须单独下载）
git clone https://gitcode.com/hf_mirrors/Melady/TEMPO.git .
git lfs pull

# 3. 运行 NPU 推理（默认 336 点示例，预测 96 步）
python3 inference.py --model_path . --device npu:0

🧪 测试用例

用例 1: 时序预测（336 点上下文 → 96 步）

python3 inference.py --model_path . --device npu:0

预期输出:

[Model Agent] ✅ NPU 设备就绪: Ascend910B4
[Model Agent] ✅ 模型加载完成 → npu:0 (TEMPO-80M, missing=0)
[Model Agent] 📊 输入过去值: 336 个, 预测 96 步
[Model Agent] ✅ 推理完成 → 预测 96 步, 耗时 297 ms
[Model Agent] 📈 预测前5: [68.87, 68.76, 67.47, 67.97, 65.48]
[Model Agent] ✅ 结果已保存 → inference_result.json

📁 目录结构

.
├── inference.py          # NPU 推理脚本
├── readme.md             # 本文件
├── requirements.txt      # 依赖清单
└── assets/               # 截图素材

📝 适配说明

本模型由昇腾 Model Agent 自动完成 NPU 适配。 TEMPO（GPT2 时序基础模型）迁移至昇腾 NPU：

inference.py 首次运行自动下载官方 TEMPO 代码并注入补丁：prompt=0 时跳过 GPT2 tokenizer 下载（HF 网络受限）；
权重为 peft LoRA 格式（base_model.model. 前缀），直接 load_state_dict 加载；
调用 torch_npu 完成设备初始化，STL 分解（趋势/季节/残差）→ GPT2 自回归生成预测；
GPT2 截取 3 层匹配 80M checkpoint。