任务ID 327086d1df704402ae0b055174c2b7f8 · 原始权重 https://huggingface.co/cisco-ai/cisco-time-series-model-1.0-preview
#NPU
本仓库将 HuggingFace 上的 cisco-ai/cisco-time-series-model-1.0-preview(Cisco Time Series Foundation Model, ~498M 参数, 50层 Decoder-Only Transformer, 1280 hidden, multiresolution coarse+fine, horizon 128, 9 quantiles)适配为可在单卡昇腾 Ascend 910B(npu:0)上真实运行的 GitCode AI model 仓库。支持单变量时序的零样本多分辨率概率预测,输出 128 步点预测与 9 分位数。
torch_model.pt 约 1.996 GB,config.json context 512+512, patch 32, horizon 128, quantiles 0.1-0.9PatchedTSMultiResolutionDecoder, 技术报告 https://arxiv.org/abs/2511.19841)| 项 | 值 |
|---|---|
| 模型 | cisco-ai/cisco-time-series-model-1.0-preview(revision bf56b7, ~498.8M params) |
| 架构 | PatchedTSMultiResolutionDecoder(TimesFM decoder 扩展, 50×Transformer, Resolution Embeddings + Special Token + RevIN) |
| 任务 | 时间序列预测 probabilistic forecasting(点预测 + 9 quantiles) |
| 输入 | 多分辨率 coarse [batch, 512, 1](fine 聚合 60:1)+ fine [batch,512,1],freq [batch,1],pad_mask 自动 left-pad,均值/方差归一,agg_factor=60 |
| 输出 | mean [batch, horizon] 点预测;quantiles [batch, 9, horizon] 分位数(0.1-0.9) |
| 数据契约 | 轴顺序 [batch, time, channel] 多分辨率输入 -> [batch, horizon] / [batch, Q, horizon] 输出;context 512+512(fine 最多30720原始点经 coarse 聚合),horizon 128(可变),patch 32,缺失值需线性插值,缩放经 RevIN 可逆归一 |
| 路由 | time-series 概率预测(参考 time-series-models.md),验收 quant mean 一致性与 NPU 性能 |
表格数据类型关联:本模型为表格型时序概率预测基础模型,适用于表格数据(CSV/Parquet)中多列数值时序的零样本预测,任务映射为 forecasting,验收指标为 forecast/quantile 数值一致性、CRPS/MS、吞吐量,而非表格分类 logits。
torch 2.9.0+cpu + torch_npu 2.9.0.post1,numpy 1.26.4,huggingface_hub 0.34.4pip install -r requirements.txt
# 昇腾 NPU 需确保 torch 与 torch_npu 版本匹配,并已加载 Ascend 驱动/固件
# 权重已缓存在 /opt/atomgit/adapt-npu-agent/models/cisco_time_series/torch_model.pt,无需重复下载;缺失时自动从 HuggingFace 拉取(约 1.996 GB)inference.py 为自包含脚本,默认使用合成可复现时序(seed 42)在 npu:0 上完成 CPU 基线、NPU 推理、一致性与性能基准。核心 forward 的所有参数与参与计算的 Tensor 均显式位于 npu:0(见 npu_device_call.png 与 model_result.png)。计时前后均调用 torch.npu.synchronize()。通过 copy.deepcopy 保持 CPU/NPU 权重一致;使用 batch=2, horizon=128。
# 方式一:权重已缓存在本地(离线,推荐)
python inference.py
# 方式二:自动从 HuggingFace 下载(需联网,首次约 1.996 GB)
python inference.py
# 方式三:指定本地权重目录
MODEL_DIR=/path/to/cisco_time_series python inference.py设备选择固定为 npu:0(可用时),输入输出均校验 device 均为 npu:0,无 CPU fallback。
以合成时序 agg_factor=60, batch=2, ctx_coarse=512, ctx_fine=512, horizon=128, 9 quantiles 为例(seed 42,参考 README 示例扩展到 batch2):
coarse 均值150.39 std14.46(series1),past_coarse shape (2,512,1) past_fine shape (2,512,1)mean shape (2,128) 均值120.2416 std38.9921 min79.3857 max169.5842,样例 batch0 前5 [162.87167358398438,164.54495239257812,166.2566680908203,167.41873168945312,168.21673583984375];quantiles shape (2,9,128)。npu:0 上 mean shape (2,128) 均值120.2416,样例 batch0 前5 [162.87168884277344,164.54495239257812,166.25672912597656,167.41876220703125,168.2167510986328];quant 0.5分位前5 [162.88153076171875,164.42164611816406,166.1412353515625,167.36526489257812,168.1532745361328][STATUS] SUCCESS - NPU inference completed without CPU fallback完整输出见 model_result.png。
使用相同权重(通过 deepcopy)、相同数据切片(seed 42)、相同预处理、相同随机种子与 float32 精度,分别在 CPU 与 npu:0 上运行并保存原始输出,用 scripts/compare_outputs.py 比较:
python scripts/compare_outputs.py --cpu /tmp/cisco_cpu_mean.npy --npu /tmp/cisco_npu_mean.npy --task forecasting --atol 1e-4 --rtol 1e-3
python scripts/compare_outputs.py --cpu /tmp/cisco_cpu_quant.npy --npu /tmp/cisco_npu_quant.npy --task forecasting --atol 1e-4 --rtol 1e-3max_abs 6.10e-05,mean_abs 9.51e-06,atol=1e-4 rtol=1e-3 PASS,有限值 Truemax_abs 9.16e-05,mean_abs 1.05e-05,PASS,有限值 Trueatol=1e-4 rtol=1e-3(FP32 跨设备正常波动,50层 Transformer 含 RMSNorm/Attention,误差远低于阈值)torch.npu.synchronize() 包裹,预热 3 次、正式 10 次avg 35.10 ms, min 34.47, max 35.40, p50 35.21, p90 35.39, p95 35.39(含一次自回归 128/128 decode)56.98 windows/s(batch 2 / 0.0351s),28.49 series/s per series三图由 scripts/render_xterm_evidence.mjs --style raw 根据本次真实日志生成(非手工绘制,Pillow 仅用于校验 PNG),固定提示符 atomgit@pod-a94f8701860f4700b161b00e290de466:~$,深灰背景白色等宽字体,展示真实设备与结果,说明图片由 xterm.js 渲染(非原始桌面截图):
