WindFM — 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 + WindFM model code 硬件: Ascend 910B 系列（实测 Ascend910B4） 标签: npu ascend pytorch transformers

📖 模型简介

🔧 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（WindFM + WindFM-Tokenizer）。

依赖清单（requirements.txt）：

• torch / torch_npu（昇腾 NPU 环境）
• transformers、huggingface_hub（PyTorchModelHubMixin 加载）
• numpy、pandas、tqdm

代码获取：inference.py 首次运行会自动从官方 GitHub（shiyu-coder/WindFM，master 分支） 下载 model/windfm.py、model/module.py 等模型代码。

🚀 推理步骤

⚠️ 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。 inference.py 首次运行会自动下载 WindFM 模型代码（官方 GitHub master），并通过 --tokenizer_path 指定配套的 WindFM-Tokenizer。

# 1. 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/NeoQuasar/WindFM.git .
git lfs pull
git clone https://gitcode.com/hf_mirrors/NeoQuasar/WindFM-Tokenizer.git ./tokenizer
git -C ./tokenizer lfs pull

# 2. 运行 NPU 推理（默认 512 点示例，预测 24 步）
python3 inference.py --model_path . --tokenizer_path ./tokenizer --device npu:0

🧪 测试用例

用例 1: 风电功率预测（512 点上下文 → 24 步）

python3 inference.py --model_path . --tokenizer_path ./tokenizer --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 (WindFM + Tokenizer)
[Model Agent] 📊 输入 512 点风电特征, 预测 24 步
[Model Agent] ✅ 推理完成 → 预测 24 步, 耗时 1021 ms
[Model Agent] 📈 预测功率中位数(前5): [62.12, 62.68, 60.16, 65.65, 70.21] MW
[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。 WindFM（风电功率时序基础模型）迁移至昇腾 NPU：

• inference.py 首次运行自动下载官方 WindFM 模型代码（model/ 包），加载 WindFM + WindFM-Tokenizer；
• 调用 torch_npu 完成设备初始化，WindFMPredictor.predict 自回归生成 24 步功率预测；
• 全部算子为原生 PyTorch，NPU 直接运行。