genomics-tf-prediction — 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 + 自建 PyTorch MLP（Keras 权重转换）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	Genereux-akotenou/genomics-tf-prediction
架构	Keras Feedforward MLP（200→512→128→64→1，ReLU/Sigmoid）
任务类型	基因转录因子（TF）结合位点预测（二分类）
输入格式	200 维 DNA k-mer 特征向量
输出格式	TF 结合概率（0-1）
参数量	~120K（单个分类器）

原仓库包含多组 TF（AP2/ARF/ARR-B/B3 等）× k-mer 尺寸（k2-k5）的分类器，本适配以 Binary-Classifier/AP2/FEEDFORWARD_k2.keras 为代表，inference.py 可指定任意分类器。

🔧 环境依赖

pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/

🚀 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（.keras 分类器文件）。

# 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/Genereux-akotenou/genomics-tf-prediction.git .
git lfs pull

# 2. 运行 NPU 推理（默认 AP2/FEEDFORWARD_k2 分类器 + 示例 k-mer 特征）
python3 inference.py --model_path . --device npu:0

# 指定其他分类器
python3 inference.py --model_path . --keras "Binary-Classifier/ARF/FEEDFORWARD_k3.keras" --device npu:0

🧪 测试用例

用例 1: 转录因子结合预测

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 (Binary-Classifier/AP2/FEEDFORWARD_k2.keras)
[Model Agent] 📊 输入特征: 200 维
[Model Agent] ✅ 推理完成 → 结合概率 0.5000, 耗时 159 ms
[Model Agent] 📈 判定: 不结合
[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。 genomics-tf-prediction（Keras TF 结合分类器集合）迁移至昇腾 NPU：

inference.py 自动解压 .keras（ZIP）读取架构配置与权重，将 Sequential Dense 网络重建为等价的 PyTorch MLP 并加载权重（Keras [in,out] → PyTorch [out,in]）；
调用 torch_npu 完成设备初始化，sigmoid 输出 TF 结合概率；
支持通过 --keras 指定仓库中任意 TF/k-mer 分类器。

genomics-tf-prediction — 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 + 自建 PyTorch MLP（Keras 权重转换）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	Genereux-akotenou/genomics-tf-prediction
架构	Keras Feedforward MLP（200→512→128→64→1，ReLU/Sigmoid）
任务类型	基因转录因子（TF）结合位点预测（二分类）
输入格式	200 维 DNA k-mer 特征向量
输出格式	TF 结合概率（0-1）
参数量	~120K（单个分类器）

原仓库包含多组 TF（AP2/ARF/ARR-B/B3 等）× k-mer 尺寸（k2-k5）的分类器，本适配以 Binary-Classifier/AP2/FEEDFORWARD_k2.keras 为代表，inference.py 可指定任意分类器。

🔧 环境依赖

pip install -r requirements.txt -i https://repo.huaweicloud.com/repository/pypi/simple/

🚀 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（.keras 分类器文件）。

# 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/Genereux-akotenou/genomics-tf-prediction.git .
git lfs pull

# 2. 运行 NPU 推理（默认 AP2/FEEDFORWARD_k2 分类器 + 示例 k-mer 特征）
python3 inference.py --model_path . --device npu:0

# 指定其他分类器
python3 inference.py --model_path . --keras "Binary-Classifier/ARF/FEEDFORWARD_k3.keras" --device npu:0

🧪 测试用例

用例 1: 转录因子结合预测

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 (Binary-Classifier/AP2/FEEDFORWARD_k2.keras)
[Model Agent] 📊 输入特征: 200 维
[Model Agent] ✅ 推理完成 → 结合概率 0.5000, 耗时 159 ms
[Model Agent] 📈 判定: 不结合
[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。 genomics-tf-prediction（Keras TF 结合分类器集合）迁移至昇腾 NPU：

inference.py 自动解压 .keras（ZIP）读取架构配置与权重，将 Sequential Dense 网络重建为等价的 PyTorch MLP 并加载权重（Keras [in,out] → PyTorch [out,in]）；
调用 torch_npu 完成设备初始化，sigmoid 输出 TF 结合概率；
支持通过 --keras 指定仓库中任意 TF/k-mer 分类器。