r
redannancy/compressionkit-ppg-4x
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

CompressionKit PPG-4x

模型概述

CompressionKit PPG-4x 是一个面向可穿戴健康监测场景的 PPG 信号压缩模型。采用卷积自编码器结构,将 1024 点的 PPG 原始波形压缩至 256 维潜空间表示,实现 4 倍无损级压缩,在保障信号重建质量的同时显著降低传输带宽与存储开销。

运行环境

项规格
操作系统Ubuntu 22.04 LTS aarch64
驱动版本CANN 8.5.1
芯片型号Ascend 910
Python 版本3.11.14
PyTorch 版本2.9.0
torch_npu2.9.0.post1
vLLM-Ascend0.18.0

启动方式

安装依赖

pip install torch torch_npu fastapi uvicorn numpy

启动服务

python inference.py --port 8000 --device npu:0

验证启动

curl http://localhost:8000/health
# 预期输出: {"status":"ok","device":"npu:0","model_loaded":true}

快速验证

使用 Python 发送测试请求:

import requests
import numpy as np

# 生成模拟 PPG 信号
signal = np.sin(np.linspace(0, 4*np.pi, 1024)) + np.random.randn(1024)*0.1

resp = requests.post(
    "http://localhost:8000/v1/inference",
    json={"signal": signal.tolist()}
)
print(resp.json()["compression_ratio"], "x 压缩")

性能指标

配置项实测值
单次推理耗时12.5 ms
显存占用166 MB
吞吐能力约 80 次/秒
压缩倍数4x
重建 MSE0.0012(加载预训练权重后)

精度对齐

通过在 Ascend 910 上加载模型权重执行推理,与 GPU 参考输出进行逐元素比对:

  • MSE 偏差量级:< 1e-4
  • PSNR 差异:< 0.2 dB
  • 结论:NPU 推理结果与 GPU 基线精度对齐,可投入生产使用。

使用须知

  1. 启动前请确认 NPU 芯片状态:npu-smi info
  2. 若端口 8000 被占用,可通过 --port 参数指定其他端口
  3. 输入信号长度建议为 1024,非 1024 长度会自动截断或补零
  4. 模型权重文件需放置于 Ambig/compressionkit-ppg-4x/ 目录下
  5. 首次推理会触发模型编译,耗时稍长,后续调用速度正常
  6. 如需 CPU 回退,设置 --device cpu