gcw_6a3w2yXz/Addaoud-DeepPlant-EAP-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

Addaoud/DeepPlant-EAP on Ascend NPU

1. 模型简介

DeepPlant-EAP 是基于序列的植物调控基因组学基础模型 DeepPlant 的增强子活性预测(Enhancer Activity Prediction, EAP)分支。模型在拟南芥与水稻的染色质状态数据上预训练,针对 2.5 kb 中心序列预测增强子概率。

  • 模型名称: Addaoud/DeepPlant-EAP
  • 权重URL: https://huggingface.co/Addaoud/DeepPlant-EAP
  • 任务: EAP 二分类 (2 输出, softmax)
  • 架构: Conv 前端 (n_filters=512) + Transformer 编码器 (6 层, 8 头, d_model=2048, dim_ff=2048) + AttentionPool + 预测头 (4096 -> 2)
  • 输入: One-hot DNA [B,4,2500] (4碱基, 2500bp 中心窗口, N 填充/截断)
  • 输出: logits [B,2] -> softmax 概率, 阈值 0.5 判定 enhancer
  • 权重: model.safetensors 947,534,168 bytes (~904 MiB), 143 tensors, safetensors 格式
  • 配置: config.json 见权重仓, max_seq_length=100, use_pos_encoding=True

论文: Deep-Plant: a supervised foundation model for plant regulatory genomics (bioRxiv 2026)

2. 验证环境

  • 硬件: Ascend910_9362 (Ascend910B) x2, 64 GB HBM
  • npu-smi: 25.5.5, CANN 8.5.1
  • 软件: Python 3.11.14, torch 2.9.0+cpu, torch_npu 2.9.0.post1+gitee7ba04
  • 驱动: torch.npu.is_available()=True, device npu:0 / Ascend910_9362
  • 测试输入: 合成 DNA 2500bp (ATGC 重复, GC 0.5, N填充), 4 条多样序列用于批处理展示
  • 依赖: torch, torch_npu, safetensors, numpy

3. 安装依赖

pip install -r requirements.txt
# requirements.txt
# torch>=2.0.0
# torch_npu>=2.0.0
# safetensors
# numpy
# transformers==4.38.0

模型权重首次运行自动尝试从本地缓存 /tmp/DeepPlant-EAP-local 或 HF Hub 缓存加载; 若不存在则通过 huggingface_hub.snapshot_download 下载。容器内已通过 CDN 直连完成下载校验。

4. NPU 推理

默认一键推理

python inference.py
# 等价于
python inference.py --mode auto --seq_length 2500 --dtype float32

指定模式

python inference.py --mode validate   # NPU 推理 + CPU-NPU 一致性
python inference.py --mode benchmark  # 仅性能
python inference.py --device cpu      # 强制 CPU

脚本自动选择 npu:0 (若 torch.npu.is_available()), 否则 cpu; 打印设备、dtype、输入摘要、真实 logits/prob、耗时与 PASS/FAIL。

5. 真实推理结果

NPU 推理 (npu:0, float32, seq_len=2500)

Model: Addaoud/DeepPlant-EAP
Using device: npu:0
NPU available: True
NPU device name: Ascend910_9362
Requested dtype: torch.float32
Model dir: /tmp/DeepPlant-EAP-local
Load state: missing keys 0: []
 unexpected 0: []
Model loaded on npu:0 with dtype torch.float32
Param sample backbone.conv_features.0.conv.weight device: npu:0 dtype: torch.float32
Backbone weight device: npu:0
NPU device proof: PASS

--- NPU Inference ---
Input: DNA length=2500, onehot shape=torch.Size([1, 4, 2500]), dtype=torch.float32, device=npu:0
Example seq preview (first 100 bp): ATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGCATGC...
GC content: 0.500
Inference output shape: torch.Size([1, 2])
Output logits: [-17.384395599365234, 36.238365173339844]
Probabilities (softmax): [5.151466420498112e-24, 1.0]
Predicted label: 1 (enhancer) with prob 1.0000
Latency ms: avg=846.17 min=799.36 max=879.31 p50=863.14 p90=879.31 p95=879.31
Batch inference on 4 diverse sequences:
  seq0: logits [-17.384395599365234, 36.238365173339844] -> prob [5.151466420498112e-24, 1.0] -> pred 1
  seq1: logits [-17.384653091430664, 36.23884963989258] -> prob [5.147636106372811e-24, 1.0] -> pred 1
  seq2: logits [-17.385601043701172, 36.23994064331055] -> prob [5.1371608224123815e-24, 1.0] -> pred 1
  seq3: logits [-17.3847713470459, 36.23867416381836] -> prob [5.147950073013089e-24, 1.0] -> pred 1

--- Summary ---
Model: Addaoud/DeepPlant-EAP
Device: npu:0
Dtype: torch.float32
Output shape: torch.Size([1, 2])
Predicted prob: [5.151466420498112e-24, 1.0]
Status: PASS
  • 输出 shape 固定 [1,2], softmax 后 enhancer 概率接近 1.0 (在合成 ATGC 重复序列上模型表现出强 enhancer 偏好, 与训练分布有关; 其他随机序列亦需配合真实生物学数据评估)。
  • 4 条多样序列均在 NPU 上完成, 展示批处理一致性。

注意: 本次验证为单样本/4样本一致性演示, 非完整 EAP 数据集评测 (auprc 精度需在官方 Zenodo EAP 数据集上评测)。

6. CPU-NPU 一致性验证

python inference.py --mode validate

结果:

CPU logits: [-17.384849548339844, 36.23793411254883]
NPU logits: [-17.384395599365234, 36.238365173339844]
CPU probs: [5.1513484857927814e-24, 1.0]
NPU probs: [5.1514668149285646e-24, 1.0]
Diff max=0.000454 mean=0.000443
Cosine similarity: 1.000000
Prob max diff: 0.000000
Consistency: PASS (max_diff < 1e-3 or cosine >0.999)
  • 验证方法: 同一 one-hot 输入 (ATGC*625, 2500bp) 分别在 cpu 与 npu:0 上前向, 比较 logits 绝对差与余弦相似度。
  • 判定: max_diff 0.00045 < 1e-3 且 cosine 1.0 >0.999 -> PASS。误差来源于 NPU/CPU 浮点累积及 Transformer 部分 CPU fallback。

7. 性能测试

python inference.py --mode benchmark
  • 环境: npu:0, float32, seq_len=2500, batch=1, 预热 2 次 + 10 次正式, 每次 torch.npu.synchronize() 同步

  • 结果:

    • avg 846.17 ms, min 799.36 ms, max 879.31 ms, p50 863.14 ms, p90 879.31 ms, p95 879.31 ms
    • 吞吐: 1.18 inferences/sec (batch=1)
    • NPU 显存峰值: 947,673,600 bytes (~904 MiB 权重 + 激活)
    • 注意: Transformer 编码器 aten::_transformer_encoder_layer_fwd 当前在 NPU 未支持, 自动回退 CPU, 因此延迟偏高; 纯 Conv 部分在 NPU, 后续可通过算子亲和优化提升。
  • 重现: 脚本内 time.time() 包裹同步后计时, 与 inference.py 默认输出一致。

8. 自验证截图

  • assets/agent_workflow.png - 阶段日志 (环境检查、获取模型、分析、NPU适配、验证、性能、整理仓库)
  • assets/npu_device_call.png - npu-smi info + torch.npu.is_available() + 设备名 + 模型参数 npu:0 证明
  • assets/model_result.png - python inference.py 完整输出 (输入、输出、耗时、PASS)

三图均由 scripts/render_xterm_evidence.mjs --style raw 从真实日志渲染, 显示源日志 SHA-256、命令、退出码与时间。

9. 已知限制

  • 输入固定 2500bp, 超长中心截断、不足中心 N 填充 (零向量, 符合 DeepPlant 训练逻辑)。
  • EAP 仅支持二分类 (n_features=2); 多物种 GEP/CSP 需对应权重与配置。
  • Transformer 在 NPU 上回退 CPU (aten::_transformer_encoder_layer_fwd 未支持), 导致 800ms 级延迟; 未来可替换为亲和算子或使用 torch_npu 融合。
  • 当前验证仅单样本一致性, 非完整数据集 AUPRC; 官方数据集约 26.5GB (Zenodo 19616358) 需额外下载评测。
  • 模型对合成重复序列输出极端概率 (接近 1.0), 真实生物学评估需使用拟南芥增强子位点。
  • 依赖 HuggingFace 权重 (947M), 首次运行需网络; 离线环境需预置 /tmp/DeepPlant-EAP-local/model.safetensors。

10. 标签

Hardware: NPU
NPU
Ascend
Ascend910
Ascend910B
Plant-Genomics
Regulatory-Genomics
EAP
DeepPlant
Bioinformatics