liuhongwei-2026/deepcpgdna-hou2016-hcc-npu
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

multimolecule/deepcpgdna-hou2016-hcc 在昇腾 NPU 上的适配

1. 简介

  • 模型来源:multimolecule/deepcpgdna-hou2016-hcc(DeepCpG-DNA,Hou 2016 HCC 变体)
  • 参数量:约 4.1M(CnnL2h128 架构,2 个卷积块)
  • 模型任务:单细胞 DNA 甲基化状态预测 —— 以 CpG 位点为中心的 1001 bp DNA 窗口,预测 25 个单细胞(Hou 2016 HCC 人肝细胞癌细胞系数据集)的甲基化状态
  • 适配状态:成功
  • 适配时间:2026-08-19

2. 验证环境

组件版本
torch2.9.0
torch-npu2.9.0.post1
transformers5.9.0
multimolecule0.2.1
CANN8.5.1
NPUAscend 910(64GB HBM)

3. 模型结构

DeepCpG-DNA 是 DeepCpG 联合模型的 DNA 子模块,对 CpG 位点两侧的 DNA 序列窗口做 1D 卷积特征提取:

组件配置说明
One-hot 嵌入vocab=5(A/C/G/T/N)F.one_hot 生成 (batch, 5, 1001) 输入(N 为全零通道)
Conv 块 1Conv1d(5→128, k=11) + ReLU + MaxPool(k=4)valid 卷积池化
Conv 块 2Conv1d(128→256, k=3) + ReLU + MaxPool(k=2)第二层卷积块
Dense 瓶颈Linear(→128)Keras channels-last 展平 + 稠密投影
分类头Linear(128→25)每输出对应一个单细胞(HCC),logit 经 sigmoid 得甲基化概率

DeepCpG-DNA 是判别式(discriminative)卷积编码器模型(序列预测/分类),不是自回归文本生成模型。vLLM-Ascend 面向自回归文本生成架构(Qwen/Llama 等),无法加载此类模型;本适配通过 multimolecule + torch_npu 直接在昇腾 NPU 上运行,并用 FastAPI 提供 OpenAI 兼容的服务化推理。

输入输出

  • 输入:固定 1001 bp DNA 窗口(以 CpG 位点为中心),仅含 A/C/G/T(N 编码为全零通道)
  • 输出:25 个单细胞的甲基化 logit;sigmoid 后为甲基化概率,p ≥ 0.5 判定为甲基化
  • 25 个输出细胞:Ca01、Ca02、…、Ca25

4. 昇腾 NPU 适配要点

#要点说明
1服务化方案模型为卷积判别模型,vLLM-Ascend 不支持;采用 multimolecule 加载 + torch_npu 映射到 NPU AICore + FastAPI OpenAI 兼容服务(/v1/models、/v1/predict、/v1/chat/completions、/v1/health)
2全标准算子F.one_hot / Conv1d / ReLU / MaxPool1d / Linear / Sigmoid 均为标准 PyTorch 算子,无 CUDA-only 依赖,torch_npu 直接映射到昇腾 NPU,无需源码改动
3fp32 精度权重以 config 原生 fp32 加载,避免 bf16/fp16 精度损失;CNN 仅约 4.1M 参数,HBM 占用约 0.66GB
4本地加载from_pretrained(local_files_only=True) 加载权重与 DnaTokenizer,离线不联网
5定长输入模型要求恰好 1001 bp;脚本 normalize_sequence 自动对短序列补 'N'(全零通道)、对长序列裁剪
6精度评测CPU fp32 参考 vs NPU fp32 输出余弦相似度 = 1.0,--benchmark 一键验证

5. 快速开始

5.1 安装依赖

# 配置华为镜像源(可选,加速下载)
export PIP_INDEX_URL=https://repo.huaweicloud.com/repository/pypi/simple/

pip install -r requirements.txt

注意:multimolecule 顶层会 import datasets/danling/chanfig/matplotlib/torchmetrics,requirements.txt 已一并列出,请勿只装 multimolecule 本体。

5.2 下载模型权重

# 方式一:GitCode 镜像(推荐)
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/deepcpgdna-hou2016-hcc.git

# 方式二:Hugging Face
git clone https://huggingface.co/multimolecule/deepcpgdna-hou2016-hcc

权重文件为 Git LFS 管理(model.safetensors,约 16MB),克隆后需 git lfs pull 或按 LFS 指示下载。

5.3 单次推理(CLI)

python3 inference.py \
    --model-path ./deepcpgdna-hou2016-hcc \
    --device npu:0 \
    --seq "ACTCCCCTGCCCTCAACAAGATGTTTTGCCAACTGGCCAAGACCTGCCCTGTGCAGCTGTGGGTTGATTCCACACCCCCGCCCGGCACCCGCGTCCGCGCCATGGCCATCTACAAGCAGTCACAGCACATGACGGAGGTTGTGAGGCGCTGCCCCCACCATGAGCGCTGCTCAGATAGCGATGG"

5.4 精度 / 性能基准

python3 inference.py --benchmark \
    --model-path ./deepcpgdna-hou2016-hcc \
    --device npu:0 --n-runs 20 --output report.json

5.5 服务化推理

export ASCEND_RT_VISIBLE_DEVICES=0
python3 inference.py --serve \
    --model-path ./deepcpgdna-hou2016-hcc \
    --port 8000 --device npu:0

验证服务:

# 列出模型(OpenAI 兼容)
curl http://127.0.0.1:8000/v1/models

# 甲基化预测
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' \
    -d '{"sequence": "ACTCCCCTGCCCTCAACAAGATGT..."}'

# OpenAI 兼容对话包装
curl http://127.0.0.1:8000/v1/chat/completions -H 'Content-Type: application/json' \
    -d '{"messages":[{"role":"user","content":"ACTCCCCTGCCCTCAACAAGATGT..."}]}'

# 健康检查(含 NPU 可用性)
curl http://127.0.0.1:8000/v1/health

6. 推理结果

模型推理结果

7. 环境检查

NPU 设备调用

8. 复现步骤

# 1. 环境准备(依赖 + 权重)
pip install -r requirements.txt
git clone https://ai.gitcode.com/hf_mirrors/multimolecule/deepcpgdna-hou2016-hcc.git

# 2. 单次推理(验证 NPU 输出)
python3 inference.py --model-path ./deepcpgdna-hou2016-hcc --device npu:0

# 3. 精度/性能基准
python3 inference.py --benchmark --model-path ./deepcpgdna-hou2016-hcc --device npu:0

# 4. 服务化推理
python3 inference.py --serve --model-path ./deepcpgdna-hou2016-hcc --port 8000 --device npu:0
curl http://127.0.0.1:8000/v1/health
curl http://127.0.0.1:8000/v1/predict -H 'Content-Type: application/json' -d '{"sequence":"ACGT..."}'

贡献者: liuhongwei-2026 | 赛道: 模型适配赛道