模型名称: genomics-tf-prediction(Genereux-akotenou/genomics-tf-prediction)
模型链接:
模型描述: 植物基因组转录因子(Transcription Factor, TF)结合位点预测模型仓:包含按 TF 家族(WRKY / bZIP / MYB / NAC 等 50+ 家族)训练的 Keras 前馈二分类器(FEEDFORWARD_k2~k5,输入 200 维 k-mer 基因组特征 → sigmoid 结合概率)以及 MetaClassifier 元分类器。本部署取 WRKY 家族 FEEDFORWARD_k2,从 .keras 权重文件(HDF5)直接重建 PyTorch 模型并在昇腾 NPU 上推理,无需安装 TensorFlow/Keras。
模型架构: 前馈 MLP:Dense512(ReLU) → Dropout → Dense128(ReLU) → Dropout → Dense64(ReLU) → Dropout → Dense1(Sigmoid),输入 200 维。
参数规模: 约 176.9K 参数(单模型)。
适配引擎: 昇腾 torch_npu(Keras 权重 → PyTorch 重建后 NPU 推理)。
| 依赖项 | 版本要求 | 说明 |
|---|---|---|
| Python | >= 3.10(推荐 3.11) | 本机 3.11.14 |
| CANN Toolkit | 8.0.RC2+ | 本机 8.5.1 |
| torch | 2.9.0+cpu | 本机 |
| torch_npu | 2.9.0.post1 | 昇腾 NPU 适配层 |
| h5py | 3.x | 读取 .keras 内 HDF5 权重 |
无需 TensorFlow / Keras:本脚本直接解析
.keras(zip 内含 config.json + model.weights.h5),重建 PyTorch 等价模型。
硬件: 昇腾 Ascend910_9362(64GB HBM ×2)。
# 方式一:推理脚本自动下载
python3 inference.py --device npu:0 # 首次自动拉取 FEEDFORWARD_k2.keras
# 方式二:手动下载
mkdir -p model
curl -sSL -o model/FEEDFORWARD_k2.keras \
"https://hf-mirror.com/Genereux-akotenou/genomics-tf-prediction/resolve/main/Binary-Classifier/WRKY/FEEDFORWARD_k2.keras"npu-smi info
python3 -c "import torch, torch_npu; print(torch.npu.device_count())" # 输出 2python3 inference.py --device npu:0 --warmup 3 --runs 20命令:
python3 inference.py --device npu:0 --warmup 3 --runs 20输出(关键部分):
[模型加载] WRKY FEEDFORWARD_k2 完成 (Keras权重->PyTorch重建), 参数量 176.9K, 设备 npu:0
架构: 200 维 k-mer 特征 -> Dense512/128/64(ReLU) -> Dense1(Sigmoid)
[推理] 合成基因组特征 (64, 200): 64 条 x 200 维 -> TF 结合概率
概率范围: [0.0000, 1.0000]
正例预测比例: 1.6% (随机特征多为非结合位点, 合理)
前 10 条概率: [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0]
[性能基准] device=npu:0 warmup=3 runs=20
平均推理时延 = 0.184 ms/批 (5438 批/s)
(batch=64 x 200 维, sigmoid 二分类)结果分析: Keras 前馈权重成功重建为 PyTorch 模型并在昇腾 NPU 上完成二分类推理,输出有效 sigmoid 概率(随机合成特征多为非结合位点,正例比例 1.6% 合理),推理时延 0.184ms/批,验收通过。
FEEDFORWARD_k2 作代表(其余同架构可直接复用推理逻辑)。.keras 是 zip 包:config.json(架构)+ model.weights.h5(权重,HDF5)。(in, out),重建 torch nn.Linear 需转置 .t()。