#NPU
本仓库将 HuggingFace 上的 ibm-research/flowstate(FlowState 时间序列基础预测模型,context 2048,概率分位数预测,S5 状态空间编码器 + LEGS 解码器)适配为可在单卡昇腾 Ascend 910B(npu:0)上真实运行的 GitCode AI model 仓库。输出 9 个分位数(0.1-0.9)的未来序列预测,支持合成时序零样本推理。
model.safetensors 约 35 MB,config.json context_length 2048| 项 | 值 |
|---|---|
| 模型 | ibm-research/flowstate(revision main,config context_length=2048, quantiles=9) |
| 架构 | FlowStateModel(encoder 6 层 S5, decoder LEGS, out_gating 缺省) |
| 任务 | 时间序列预测 probabilistic forecasting(quantile) |
| 输入 | past_values shape [seq_len, batch, n_ch] 或 [batch, seq_len, n_ch](batch_first 可选),scale_factor, prediction_length |
| 输出 | prediction_outputs [batch, horizon, n_ch](均值)、quantile_outputs [batch, quantiles, horizon, n_ch] |
| 数据契约 | 轴顺序明确为 [time, batch, channel](batch_first=False)或 [batch, time, channel];context 固定 2048,horizon 按 decoder_patch_len=24 的倍数;频率通过 scale_factor 调节;缺失值以 NaN 掩码处理;缩放为 patch 内标准化 |
torch 2.9.0+cpu + torch_npu 2.9.0.post1pip 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
# tsfm_public 将从 GitHub 自动安装(git+https://github.com/ibm-granite/granite-tsfm.git)inference.py 为自包含脚本,默认使用合成可复现时序(seed 0)在 npu:0 上完成完整推理、一致性与性能基准。
# 方式一:权重已缓存在 ./working/models/ibm-research-flowstate
python inference.py
# 方式二:自动从 HuggingFace 下载(需联网)
python inference.py
# 方式三:指定本地权重目录
MODEL_DIR=/path/to/flowstate python inference.py设备选择固定为 npu:0(可用时),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()。
以合成时序 context=2048, batch=2, n_ch=1, horizon=96 为例(seed 0):
past_values shape (2048, 2, 1),均值 -0.0096,标准差 0.9934prediction_outputs mean -0.0766 std 0.0769,quantile_outputs 9 分位数单调递增(0.1→0.9)npu:0 上 prediction_outputs mean -0.0766 std 0.0769,与 CPU 完全一致(见下)[STATUS] SUCCESS - NPU inference completed without CPU fallback完整输出见 model_result.png。
使用相同权重、相同数据切片(seed 0)、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:
forecasting max_abs 1.48e-05,mean_abs 4.18e-06,atol=1e-4 rtol=1e-3 PASSatol=1e-4 rtol=1e-3(FP32 跨硬件正常波动,模型含 FFT 与 S5 递归,误差远低于阈值)结果:PASS。数值差异在 fp32 跨硬件正常波动范围内。
在 npu:0、float32 下,预热 3 次后正式计时 10 次(batch=2, context=2048, horizon=96, n_ch=1):
| 指标 | 值 |
|---|---|
| compile/first-run | 1651.64 ms(首次 NPU 编译含图编译) |
| avg / min / max | 1621.79 / 1613.80 / 1651.64 ms |
| p50 / p90 / p95 | 1619.75 / 1624.92 / 1638.28 ms |
| 吞吐 | 1.23 windows/s(batch=2 → 2.46 samples/s) |
| batch / shape / dtype | 2, [2048,2,1]->[2,96,1], float32 |
| 峰值 NPU 显存 | ~3.1 GB(远低于单卡 64 GB 上限,npu-smi 实测) |
计时包含模型 forward 与 scale_factor 处理,前后均调用 torch.npu.synchronize()。首轮编译时间与稳定推理时间分开报告。
以下三张图片由 xterm.js 依据本次真实运行日志渲染生成(非人工绘制、非模拟):
| 图片 | 内容 |
|---|---|
| assets/agent_workflow.png | 侦察、模型下载、NPU 推理、一致性、基准与提交校验的完整工作流日志 |
| assets/npu_device_call.png | npu-smi、NPU 可用性、设备名、模型参数 device/dtype、输入输出 Tensor device |
| assets/model_result.png | 默认 python inference.py 的真实完整输出(schema、真实预测、同步耗时、状态) |
tsfm_public 依赖需从 GitHub 安装,首次安装需联网。