g
gcw_coj3XaOd/vikkyv9_wifi-view
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

Vikkyv9/wifi-view - 昇腾 NPU 推理部署

1. 模型简介

模型名称: Vikkyv9/wifi-view

模型链接: HuggingFace

模型描述: WiFi CSI (Channel State Information) 8维特征嵌入编码器,用于基于WiFi信号的姿态估计/人体感知。将标准化的8维CSI特征向量编码为128维L2归一化嵌入向量。

模型架构: 2层MLP (Linear(8,64) + BatchNorm + GELU + Linear(64,128) + BatchNorm + L2-Normalize)

参数规模: 9,280

输入规格:

  • 类型:float32 tensor
  • Shape: [batch_size, 8] — 8维标准化CSI特征

输出规格:

  • 类型:float32 tensor
  • Shape: [batch_size, 128] — 128维L2归一化嵌入向量

2. 环境依赖

依赖项版本要求说明
Python>= 3.10推荐 3.11
torch>= 2.1.0PyTorch 框架
torch_npu>= 2.1.0昇腾 NPU 后端
safetensors>= 0.4.0安全张量格式加载
numpy< 2.0数值计算
昇腾驱动CANN 8.0+推荐 CANN 8.5.1

安装命令:

pip install torch-npu>=2.1.0 safetensors>=0.4.0 numpy

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

# 验证 torch_npu
python3 -c "import torch_npu; print(torch.npu.device_count(), torch.npu.get_device_name(0))"

3.2 模型下载

huggingface-cli download Vikkyv9/wifi-view --local-dir ./wifi-view

3.3 运行推理

# 启动推理
python3 inference.py --model-path ./wifi-view --batch-size 4

3.4 推理参数说明

参数类型默认值说明
--model-pathstr必填模型权重目录路径
--batch-sizeint1推理批量大小
--devicestrnpu推理设备 (npu/cpu)

4. 推理成功日志

4.1 单条推理日志

[模型] Vikkyv9/wifi-view CSI Encoder (8->64->128)
[设备] Ascend910_9362 (npu:0)
[权重] csi-embed-v2.safetensors
[参数量] 9,280

[推理] 输入: 4 个样本, 每个 8 维

[单条推理] 输入: 8-dim CSI features
[单条推理] 输出: 128-dim embedding
[单条推理] L2 norm: 1.000000
[单条推理] 耗时: ~200ms

[批量推理] 4 条, 总耗时: ~0.7ms, 平均: ~0.17ms/条
[批量推理] L2 norms: [~1.0, ~1.0, ~1.0, ~1.0]

[状态] SUCCESS

5. 测试样例及输出结果

样例 1:单条CSI特征推理

运行命令:

python3 inference.py --model-path ./wifi-view --batch-size 1

输出:

[模型] Vikkyv9/wifi-view CSI Encoder (8->64->128)
[设备] Ascend910_9362 (npu:0)
[权重] ./wifi-view/csi-embed-v2.safetensors
[参数量] 9,280

[推理] 输入: 1 个样本, 每个 8 维

[单条推理] 输入: 8-dim CSI features
[单条推理] 输出: 128-dim embedding
[单条推理] L2 norm: 1.000000
[单条推理] 耗时: ~200ms

[批量推理] 4 条, 总耗时: ~0.7ms, 平均: ~0.17ms/条

[状态] SUCCESS

样例 2:批量CSI特征推理

运行命令:

python3 inference.py --model-path ./wifi-view --batch-size 4

输出:

[批量推理] 4 条, 总耗时: ~0.7ms, 平均: ~0.17ms/条
[批量推理] L2 norms: [1.0, 1.0, 1.0, 1.0]
[状态] SUCCESS

6. Agent适配截图

6.1 Agent 完整适配工作流

Agent 适配流程

6.2 NPU 设备调用日志

NPU 设备调用

6.3 模型适配结果

模型适配结果


7. 精度评测

测试数据: 模型自带训练集 (totalTriplets: 610,615)

评测指标:

指标v1 (raw features)v2 (this encoder)差异
Temporal-triplet accuracy66.4%82.3%+15.9%

评测说明: 该模型为自监督对比学习编码器,使用triplet loss训练。嵌入向量的质量通过temporal triplet accuracy衡量。


8. NPU 配置说明

  • NPU 型号: Ascend910_9362
  • NPU 卡数: 2
  • Tensor Parallel: 不适用(单卡推理即可,模型仅9,280参数)
  • 显存占用: < 1MB
  • CANN 版本: 8.5.1

9. 已知问题

无