PPG 信号 Residual Vector Quantization (RVQ) 神经编解码器,在华为昇腾 NPU 上的 torch_npu 推理实现。
torch_npu 直接加载推理,
无需 vLLM-Ascend。Encoder2D_ds4 [N,1,320,1]
-> Conv(1->48,k=7,s=2) -> BatchNorm -> ReLU
-> Conv(48->64,k=7,s=2) -> BatchNorm -> ReLU
-> Conv(64->16,k=1) -> [N,1,80,16]
RVQ x4 逐级残差量化到 codebook (4, 256, 16) -> 索引 (B,80,4)
Decoder2D_ds4 量化 latent [N,1,80,16]
-> Nearest2x -> Conv(16->64,k=7)->ReLU->DSConv(64,k=5)->ReLU
-> Nearest2x -> Conv(64->48,k=7)->ReLU->DSConv(48,k=5)->ReLU
-> LayerNorm(48) -> Conv(48->1,k=1) -> [N,1,320,1]编码器输出 16 维 latent,经 4 级 RVQ 残差量化到长度 256 的 codebook, 解码器重建出原始 PPG 波形(压缩比 4x)。
将权重放入 model/ 目录(建议软链或用 huggingface snapshot_download 拉取),再:
# 用内置 sample_stimulus.npz 验证(输出重建波形 + RVQ 索引)
python inference.py --device npu:0
# 自定义信号(npy/npz,<320 样本)做 encode->decode
python inference.py --device npu:0 --signal my_signal.npy --save out.npzverify.py 使用官方 sample_stimulus.npz 做精度对比:
源码中 head(最终 Conv 48->1)保持线性激活(官方 activation=linear),
是重建幅值/符号保真的关键。
pip install torch_npu torch h5py numpy需确保已安装对应 CANN / torch_npu 驱动使 torch.npu.is_available() 为 True。
compressionkit-ppg-4x/
├── inference.py # torch_npu 推理脚本(必选)
├── README.md # 本文档
├── requirements.txt # 环境依赖
├── model/ # 权重目录(encoder/decoder.keras + codebook.npz + sample)
└── assets/ # 截图(用户自行添加)