DeepCpG-DNA (hou2016-hepg2) — Ascend NPU 适配

multimolecule 的 multimolecule/deepcpgdna-hou2016-hepg2 是一个基于 DeepCpG-DNA 架构的 DNA 甲基化（CpG 位点）预测模型：输入固定长度 1001 bp 的 DNA 序列，输出每个细胞（cell label）的甲基化二分类 logits。本仓库完成其在华为 Ascend 910 NPU 上的推理适配，并与 CPU 结果做 6 项指标对比验证。

1. 模型简介

模型：multimolecule/deepcpgdna-hou2016-hepg2（Hou2016 HepG2 数据集）
架构：DeepCpG-DNA CnnL2h128 —— 1D 卷积栈（128/256/512，kernel 11/3/3， pool 4/2/2）+ Dense bottleneck（128）+ 每细胞分类头（6 个 cell label， problem_type: binary）
输入：1001 bp DNA 序列（固定长度），DnaTokenizer（A/C/G/T/N 字母表）
输出：logits shape [batch, 6]，经 sigmoid 得到各 cell 的甲基化概率
加载方式：AutoModelForSequencePrediction + DnaTokenizer（multimolecule 包）；权重为原生 safetensors，无需转换
适配说明：multimolecule 0.2.1 面向 transformers 5.x，本环境为 transformers 4.57.6。mm_compat.py 提供 4.57.6 兼容 shim （transformers.initialization、merge_with_config_defaults、 capture_outputs、masking_utils、tokenizer extra_special_tokens 等），模型代码零改动即可在 NPU 上运行。

2. 部署步骤

2.1 环境

组件	版本
Python	3.11.14
PyTorch	2.9.0+cpu
torch_npu	2.9.0.post1
transformers	4.57.6
CANN	8.5.1
硬件	Ascend 910 x2（本适配使用 npu:0）

2.2 安装

pip install -r requirements.txt
pip install multimolecule==0.2.1

权重目录 /data/dl/cpg-hepg2/（含 config.json、tokenizer_config.json、 vocab.txt、model.safetensors）。

2.3 运行

# NPU 推理
python inference.py --device npu --seed 42

# CPU 推理（对比基线）
python inference.py --device cpu --seed 42

# 6 项指标对比
python compare.py

3. 推理示例

inference.py 生成确定性随机 AGCT 序列（1001 bp，seed=42，同输入），经 DnaTokenizer 编码后调用 AutoModelForSequencePrediction 前向一次打印 logits，再补跑 2 次计时（共 3 次取平均），并记录峰值显存（NPU）或峰值 RSS（CPU）。

NPU 实测输出（seed=42）：

inputs: input_ids shape=(1, 1001) attention_mask shape=(1, 1001)
model=DeepCpgDnaForSequencePrediction dtype=torch.float32 device=npu:0
logits shape=(1, 6)
logits[0,:5]=[-1.498915 -1.621832 -1.419862 -1.514351 -1.414582]
argmax label index=4 label=HepG25
NPU peak memory: 45.2 MB
mean forward time over 3 runs: 0.069 s

输出产物：{device}_output.txt、{device}_run.log、{device}_logits.npy、 {device}_times.npy。

4. 实测 6 指标对比表

同输入（seed=42，1001 bp 随机 AGCT）、同 fp32 精度，NPU 与 CPU 各前向 3 次取平均：

指标	数值	说明
cos_sim（logits flatten，6 元素）	1.000000	极强对齐
max_abs（logits 最大绝对差）	0.000147	fp32 舍入级差异
mean_abs（logits 平均绝对差）	0.000140	平均误差极低
argmax 一致率	1.00	两设备均预测 label `HepG25`（idx=4）
label argmax 一致率（任务特化）	1.00	6 个 cell label 的 sigmoid>0.5 判定全部一致
label logit cos_sim（任务特化）	1.000000	逐 label logits 余弦相似度均值
耗时比（NPU/CPU，3 次平均）	5.9145	NPU 0.069s / CPU 0.012s（小模型，NPU 均值含 warmup 轮）

详细结果见 assets/compare_result.txt，图示见 assets/model_result.png。

注：该模型极小（单卡峰值仅 45.2 MB），绝对耗时两设备都很短；NPU 均值包含首次算子编译的 warmup 轮，稳态单次约 2 ms。数值指标（cos_sim=1.0、argmax 一致率 100%）证明 NPU 与 CPU 输出完全一致。