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。
| 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_npu | 2.9.0.post1 |
| vLLM-Ascend | 0.18.0 |
pip install torch torch_npu fastapi uvicorn numpypython inference.py --port 8000 --device npu:0curl http://localhost:8000/health
# 预期输出: {"status":"ok","device":"npu:0","model_loaded":true}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")| 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 MSE | 0.0012(加载预训练权重后) |
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:
npu-smi info--port 参数指定其他端口Ambig/compressionkit-ppg-4x/ 目录下--device cpu