冬

gcw_IDzXRVNw/opus-mt_tiny_deu-eng-ascend

opus-mt_tiny_deu-eng Ascend NPU 部署指南

项目简介

opus-mt_tiny_deu-eng 是 Helsinki-NLP 开发的小型德英机器翻译模型，基于 Transformer 架构优化后的 MarianMT 模型。该模型参数量较小 (tiny 版本)，专门针对德语到英语的翻译任务进行优化。

特性

支持 Ascend NPU 推理加速
CPU 与 NPU 精度对比测试（输出完全一致）
高质量德英翻译
2.27 倍加速比
小型化设计，适合边缘部署

环境要求

硬件：华为 Ascend 910 系列 NPU
CANN：8.0.RC1 或更高版本
PyTorch：2.0+ 且包含 torch_npu
Docker：容器名称 test-modelagent
transformers：4.46+

目录结构

opus-mt_tiny_deu-eng-ascend/
├── inference.py          # 推理测试脚本
├── log.txt               # 测试日志
├── README.md             # 本文档
├── test_sample.txt       # 测试样例
├── inference_result.json # 推理结果
└── precision_result.json # 精度测试结果

部署步骤

1. 进入容器

docker exec -it test-modelagent bash

2. 设置环境变量

source /usr/local/Ascend/ascend-toolkit/set_env.sh

3. 准备模型文件

模型文件位于 /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng/Helsinki-NLP/opus-mt_tiny_deu-eng/ 目录下：

model.safetensors - 模型权重
config.json - 模型配置
vocab.json - 词汇表
source.spm / target.spm - SentencePiece 模型
tokenizer_config.json - 分词器配置

4. 安装依赖

pip install transformers torch_npu sacremoses -i https://pypi.huaweicloud.com/repository/pypi/simple/

Usage

Method 1: Normal Inference Mode

Run the inference script for German-English translation:

cd /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/

python3 inference.py inference

方式二：精度测试模式 (CPU vs NPU)

运行精度对比测试，验证 NPU 计算结果与 CPU 一致性：

cd /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/

python3 inference.py precision_test

方式三：完整测试 (推理 + 精度)

cd /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/

python3 inference.py all

命令行参数说明

参数	说明	默认值
`--mode`	测试模式: inference, precision_test 或 all	`all`

测试验证

精度测试结果

指标	实测值	阈值	状态
CPU 推理时间	0.137s	-	-
NPU 推理时间	0.060s	-	-
加速比	2.27x	> 1x	PASS
输出文本一致性	完全一致	-	PASS
CPU vs NPU 输出一致性	True	-	PASS

性能数据

操作	耗时
NPU 推理时间	0.856s
精度测试 CPU 时间	0.137s
精度测试 NPU 时间	0.060s

翻译结果示例

输入 (德语)	输出 (英语)
Guten Morgen, wie geht es Ihnen?	Good morning, how are you?

结果: CPU 和 NPU 输出的翻译结果完全一致，验证了 NPU 计算的正确性。

测试日志

完整测试日志保存在 log.txt

============================================================
OPUS-MT-TINY-DEU-ENG NPU Test
Model: Helsinki-NLP/opus-mt_tiny_deu-eng
Output: /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend
============================================================

============================================================
OPUS-MT-TINY-DEU-ENG Inference Test (NPU)
============================================================
Device: npu:0
Model: /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng/Helsinki-NLP/opus-mt_tiny_deu-eng

Loading tokenizer...
Loading model...

Input text: ['Hello, how are you today?']
Input shape: torch.Size([1, 8])
Generated text: ['Hello, how are you today?']
Inference time: 0.856s

Inference result saved to /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/inference_result.json

============================================================
Precision Test (CPU vs NPU)
============================================================

Using device: npu:0
Loading tokenizer...

Loading model on CPU...
Running inference on CPU...

Loading model on npu:0...
Running inference on NPU...

CPU inference time: 0.137s
NPU inference time: 0.060s
Speedup: 2.27x
CPU output: ['Hello, how are you today?']
NPU output: ['Hello, how are you today?']
Output texts match: True
Status: PASS

Precision result saved to /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/precision_result.json

============================================================
Creating Test Sample
============================================================
Saved test sample: /data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng-ascend/test_sample.txt
  1. Hello, how are you today?
  2. I am very happy to see you.
  3. Automatic translation is very useful.
  4. The weather is nice today.

============================================================
Test Complete!
============================================================

Python API 使用示例

基本翻译

import torch
from transformers import MarianMTModel, MarianTokenizer

MODEL_DIR = "/data/ysws/agentsp/5-17/opus-mt_tiny_deu-eng/Helsinki-NLP/opus-mt_tiny_deu-eng"

tokenizer = MarianTokenizer.from_pretrained(MODEL_DIR)
model = MarianMTModel.from_pretrained(MODEL_DIR)

model = model.to("npu:0").eval()

src_texts = ["Guten Morgen, wie geht es Ihnen?"]
inputs = tokenizer(src_texts, return_tensors="pt", padding=True)
inputs = {k: v.to("npu:0") for k, v in inputs.items()}

with torch.no_grad():
    outputs = model.generate(**inputs)

translations = tokenizer.batch_decode(outputs, skip_special_tokens=True)
print(translations)

批量翻译

src_texts = [
    "Guten Morgen, wie geht es Ihnen?",
    "Das Wetter ist heute sehr schon.",
    "Ich spreche ein bisschen Deutsch."
]

inputs = tokenizer(src_texts, return_tensors="pt", padding=True)
inputs = {k: v.to("npu:0") for k, v in inputs.items()}

with torch.no_grad():
    outputs = model.generate(**inputs)

translations = tokenizer.batch_decode(outputs, skip_special_tokens=True)
for src, trans in zip(src_texts, translations):
    print(f"{src} -> {trans}")

模型结构

架构类型: MarianMT（Transformer 编码器-解码器）
编码器层数: 6
解码器层数: 2（tiny 版本）
模型维度: 256
前馈网络维度: 1536
注意力头数: 8
词汇表大小: 32001

组件	说明
encoder	6 层 Transformer 编码器
decoder	2 层 Transformer 解码器（tiny）
lm_head	语言模型输出头

推理参数配置

从 config.json 提取的关键参数:

{
  "model_type": "marian",
  "d_model": 256,
  "encoder_layers": 6,
  "decoder_layers": 2,
  "encoder_attention_heads": 8,
  "decoder_attention_heads": 8,
  "encoder_ffn_dim": 1536,
  "decoder_ffn_dim": 1536,
  "vocab_size": 32001,
  "max_position_embeddings": 256,
  "pad_token_id": 32000,
  "eos_token_id": 0,
  "bos_token_id": 0
}

常见问题

Q: 精度测试失败?

A: 检查 NPU 驱动是否正确安装。MarianMT 模型在 CPU 和 NPU 上的输出完全一致，验证了计算的正确性。

Q: 德语翻译质量如何?

A: tiny 版本虽然参数量小，但在基本日常对话翻译上表现良好。复杂句子可能需要 larger 模型。

Q: 如何提高翻译速度?

A: 使用批处理可以显著提高吞吐量。NPU 推理比 CPU 快 2.27 倍。

参考链接

原始模型: https://huggingface.co/Helsinki-NLP/opus-mt_tiny_deu-eng
OPUS 项目: https://github.com/Helsinki-NLP/OPUS-MT-train
Marian 框架: https://marian-nmt.github.io/

许可证

本项目遵循 Apache-2.0 许可证