在昇腾 910(NPU)上对 RNA 二级结构预测模型 BPfold(
multimolecule/bpfold)的真实推理, 使用固定 revision 的官方权重与官方真实样本,FP32 / eval / inference_mode /use_postprocess=False, 全部张量置于npu:0,输出可复现的推理结果 JSON。
multimolecule.BpfoldModel + RnaTokenizer(multimolecule==0.2.1)multimolecule/bpfoldb78209659805196964fc82a201e4d01a7d15e503config.json、tokenizer_config.json、vocab.txt、model.safetensorsmodel.safetensors = 193669244 bytesadeb1d56e2efb9d1e944bd2dccd6575e2ccf67331bacb4a28a0e40928e2e7baeUAGCUUAUCAGACUGAUGUUGA(22 nt)本仓库 不含 权重文件(仅保留清单与校验值,见
checkpoint/README.md同级说明), 也不允许出现pytorch_model.bin或重复下载的 checkpoint。
| 项目 | 取值 |
|---|---|
| 精度 | FP32(float32) |
| 模式 | eval() + torch.inference_mode() |
| 后处理 | use_postprocess=False(contact_map = sigmoid(logits)) |
| 设备 | 模型与 input_ids/attention_mask 全部 npu:0 |
| 输出形状 | logits / contact_map 均为 [1, 22, 22] |
| 串行化 | 所有 npu-smi、torch_npu 初始化与推理均经 flock 锁 |
| 锁 | flock -x -w 1800 /tmp/ascend-model-agent-npu-v1.lock |
| 样本长度→形状 | 22 nt → token 24(BOS+22+EOS)→ 自动去除特殊 token → 22×22 |
adapt-multimolecule-bpfold/
├── inference.py # NPU 推理主脚本(含权重校验、flock、计时、结果落盘)
├── requirements.txt # 依赖清单(不含 torch/torch_npu/CANN)
├── README.md # 本文档
├── checkpoint/
│ ├── README.md # 权重说明(不入库)
│ ├── config.json # 模型配置(仅本地使用,不入库)
│ ├── tokenizer_config.json # 分词器配置(仅本地使用,不入库)
│ ├── vocab.txt # 词表(仅本地使用,不入库)
│ └── model.safetensors # 权重(仅本地使用,不入库,193669244B)
├── evidence/
│ ├── 01-environment.md # 证据页 1:昇腾 NPU 环境与依赖
│ ├── 02-checkpoint-verify.md # 证据页 2:固定权重校验
│ └── 03-inference-results.md # 证据页 3:NPU 真实推理结果
└── outputs/
└── inference_results.json # 唯一真实推理结果| 组件 | 版本 |
|---|---|
| Python | 3.11.14 |
| torch | 2.9.0+cpu |
| torch_npu | 2.9.0.post1+gitee7ba04 |
| CANN | 8.5.1(SOC_VERSION=ascend910_9391) |
| torch_npu 后端 | torch.npu.is_available() == True(Ascend910) |
pip install --no-deps 逐项)| 包 | 版本 | 说明 |
|---|---|---|
| multimolecule | 0.2.1 | 模型与分词器 |
| transformers | 5.9.0 | 必须为 5.x(提供 initialization 等内部 API) |
| huggingface_hub | ≥0.32 | transformers 5.9.0 运行依赖 |
| tokenizers / safetensors | 0.22.2 / 0.7.0 | 分词与权重加载 |
| datasets / pyarrow | 5.0.1 / 25.0.1 | multimolecule data 子包依赖 |
| danling / chanfig | 0.4.4 / 0.0.117 | multimolecule 运行时依赖 |
| torchmetrics / lightning-utilities / lazy-imports | 1.9.0 / 0.15.3 / 1.2.0 | danling→torchmetrics 依赖链 |
| pandas / einops / numpy | 3.0.2 / 0.8.2 / 1.26.4 | 计算依赖 |
安装务必使用
--no-deps,防止 pip 因依赖图重装/卸载 torch、torch_npu、CANN。 慢网环境下优先从国内镜像(华为云 PyPI)固定 wheel 直连下载并校验 SHA256。
# 1. 补齐依赖(已装则跳过)
pip install --no-deps multimolecule==0.2.1
pip install --no-deps transformers==5.9.0
# 2. 下载并校验权重(仅 4 个文件)
# model.safetensors = 193669244 B, SHA256 = adeb1d56...e2e7bae
# 3. 运行推理(自动加 flock -x -w 1800 锁,内部先校验权重再初始化 NPU)
python3 inference.py成功标志:输出 outputs/inference_results.json,其中:
logits.shape == [1, 22, 22],contact_map.shape == [1, 22, 22]logits.device == npu:0、contact_map.device == npu:0、dtype == torch.float32单次 NPU 推理(Ascend910,npu:0,FP32)实测输出:
| 指标 | 值 |
|---|---|
| logits shape | [1, 22, 22](npu:0, float32) |
| contact_map shape | [1, 22, 22](npu:0, float32) |
| logits min / max | -1.2356 / +5.6073 |
| contact_map mean / max | 0.51294 / 0.99634 |
| 概率摘要 | mean=0.51294, std=0.17569, min=0.22521, max=0.99634, p50=0.45603 |
| P(contact)>0.5 格点数 | 170 / 484 |
| 同步推理耗时(NPU) | 0.4072 s |
| 模型成员数 | num_members = 6 |
完整数值见 outputs/inference_results.json。
model.safetensors 的字节数与 SHA256,不匹配即中止;
同时显式拒绝仓库出现 pytorch_model.bin。npu-smi、torch_npu 初始化、推理全部在
flock -x -w 1800 /tmp/ascend-model-agent-npu-v1.lock 保护下执行,防止多进程竞争 NPU 设备。RnaTokenizer 得到 [1, 24](含 <cls> 与 <eos>);
BPfold 前向内部自动去除特殊 token,故输出 [1, 22, 22]。torch.npu.synchronize() 后取墙钟耗时,确保覆盖真实 NPU 执行时间。.cache、token、临时签名 URL 或失败日志。revision + 固定字节/SHA 权重 + 固定官方样本,输出确定。evidence/),可直接复核:
evidence/01-environment.md — 昇腾 NPU 环境与依赖evidence/02-checkpoint-verify.md — 固定权重校验evidence/03-inference-results.md — NPU 真实推理结果inference.py 每次运行会重新校验权重并覆盖写入唯一 outputs/inference_results.json。checkpoint/ 为本地运行目录,不随仓库分发(约 185 MB)。transformers 版本敏感:multimolecule 0.2.1 需要 5.x(transformers.initialization)。
若环境中 transformers 为 4.x,需按第四节补装 5.9.0,勿用旧版直接 from_pretrained。contact_map 极微小浮点差异,
但形状、设备、数据类型与整体统计应一致。

