autogluon/mitra-classifier-1.1 昇腾 NPU 适配（Ascend 910B）

Mitra classifier 是 AutoGluon 的表格基础模型：12 层 Transformer、75,670,026 个 fp32 参数，在纯合成表格数据上预训练，推理时以训练行作为支持集（in-context learning）完成分类。本仓库将原始权重 autogluon/mitra-classifier-1.1（revision 10eead743ab2d810e0738fe2234c566bc8cea0d6）在单卡昇腾 NPU 上完成真实表格分类推理验证（平台标签 #NPU，Ascend 910B）。

任务与数据契约

任务类型：表格分类（tabular-classification），pipeline_tag 与官方模型卡一致。
数据集：sklearn load_wine（AutoGluon Mitra 官方 README 示例数据），13 个数值特征列，顺序固定为 alcohol, malic_acid, ash, alcalinity_of_ash, magnesium, total_phenols, flavanoids, nonflavanoid_phenols, proanthocyanins, color_intensity, hue, od280/od315_of_diluted_wines, proline。
划分：80/20 训练/测试（train_test_split(random_state=42, stratify=y)），142 行训练 / 36 行测试；类别 {0, 1, 2}，标签编码与 sklearn 原始值一致。
输入 dtype：特征在送入 estimator 前转为 float32；缺失值策略：wine 数据无缺失，Mitra 预处理器对数值列做标准化变换，列顺序不得改变。
输出：(N, 3) 概率矩阵，类别顺序 [0, 1, 2]，预测标签为 argmax。

环境与依赖

硬件：Atlas Ascend 910B（Ascend910_9362，单卡 npu:0，CANN 8.5.1）。
软件：Python 3.11、torch 2.9.0、torch-npu 2.9.0.post1、autogluon.tabular[mitra]==1.5.0、huggingface_hub、safetensors、scikit-learn、pandas。
安装：pip install -r requirements.txt（torch/torch_npu 请按昇腾官方渠道安装配套版本）。
权重获取：默认由 inference.py 通过 snapshot_download(repo_id="autogluon/mitra-classifier-1.1", revision="10eead743ab2d810e0738fe2234c566bc8cea0d6") 显式下载；离线环境可设 MITRA11_LOCAL_DIR 指向本地 checkpoint 目录。

NPU 推理

python inference.py

脚本自包含：检查 NPU 可用性 → 加载本地缓存权重 → wine 数据固定划分 → MitraClassifier(fine_tune=False, device="npu:0") fit → 测试集 predict_proba → 打印预测、概率、accuracy/macro-F1 与同步耗时。任何异常返回非零退出码。

适配要点：AutoGluon 1.5.0 的 Tab2D.from_pretrained 仅支持 Hub repo id，本仓库在其外层做了本地目录感知加载补丁（config.json + safetensors 直接读入后再迁移到 npu:0），未修改任何模型结构与权重。fit 阶段的预处理（标准化）保留在 CPU/pandas 层，Transformer 前向的权重与全部参与计算的 Tensor 位于 npu:0（日志可见 first_parameter_device=npu:0）。

真实结果（本次运行）

数据：wine 官方示例，142 行训练 / 36 行测试，13 特征。
设备证据：模型参数 npu:0 fp32，75,670,026 参数；前向输入/输出 Tensor device 为 npu:0 -> npu:0。
默认命令真实输出：accuracy = 1.0000，macro-F1 = 1.0000（CPU 与 NPU 相同），同步耗时 0.159 s（首轮含编译）。

一致性（CPU vs NPU）

同一权重、同一数据划分、同一种子（seed=0）、同一 dtype（fp32）下比较 36 行 × 3 类概率：

argmax 标签一致率：100%（36/36）
概率最大绝对误差：1.03e-2，平均绝对误差：7.25e-4
校验阈值：atol=0.01, rtol=0.05 下 elementwise 全部通过（compare_outputs.py passed=true）。阈值依据：12 层 ICL Transformer 在 fp32 下注意力累积误差的实测量级，且两端 accuracy/macro-F1 完全一致。该结果属于 smoke consistency（单数据集冒烟一致性），不是完整基准精度评测。

性能（npu:0）

预热 3 次、正式计时 10 次，每次前后 torch.npu.synchronize()；predict_proba 计时包含 CPU 侧预处理（已说明边界）。
batch shape [36, 13]，dtype float32：
- 首轮（含 NPU 图编译）：约 0.16 s；稳定态 latency avg/min/max = 42.54 / 42.32 / 43.30 ms，p50/p90/p95 = 42.37 / 43.20 / 43.25 ms；
- 吞吐 ≈ 846 rows/s；峰值显存 ≈ 502 MB。
动态 shape 复跑：首次编译后分别以 10/24/36 行查询集复跑均正常。

证据图

以下三张 PNG 由 xterm.js 根据本次适配的真实 stdout/stderr 日志渲染（非手工绘制、非桌面截图）：

agent workflow

npu device call

model result

限制

仅验证了分类任务 + wine 官方示例数据集上的 smoke consistency 与性能；未覆盖全量公开表格基准。
fine_tune=True 微调路径未在 NPU 上验证；fit 阶段预处理仍在 CPU，仅 Transformer 前向位于 NPU。
大数据集下 Mitra 会按 max_samples_support/max_samples_query 截断支持/查询集，行为与上游一致。

autogluon/mitra-classifier-1.1 昇腾 NPU 适配（Ascend 910B）

任务与数据契约

任务类型：表格分类（tabular-classification），pipeline_tag 与官方模型卡一致。

数据集：sklearn load_wine（AutoGluon Mitra 官方 README 示例数据），13 个数值特征列，顺序固定为

alcohol, malic_acid, ash, alcalinity_of_ash, magnesium, total_phenols, flavanoids, nonflavanoid_phenols, proanthocyanins, color_intensity, hue, od280/od315_of_diluted_wines, proline

。

划分：80/20 训练/测试（train_test_split(random_state=42, stratify=y)），142 行训练 / 36 行测试；类别 {0, 1, 2}，标签编码与 sklearn 原始值一致。

输入 dtype：特征在送入 estimator 前转为 float32；缺失值策略：wine 数据无缺失，Mitra 预处理器对数值列做标准化变换，列顺序不得改变。

输出：(N, 3) 概率矩阵，类别顺序 [0, 1, 2]，预测标签为 argmax。

环境与依赖

硬件：Atlas Ascend 910B（Ascend910_9362，单卡 npu:0，CANN 8.5.1）。

软件：Python 3.11、torch 2.9.0、torch-npu 2.9.0.post1、autogluon.tabular[mitra]==1.5.0、huggingface_hub、safetensors、scikit-learn、pandas。

安装：pip install -r requirements.txt（torch/torch_npu 请按昇腾官方渠道安装配套版本）。

权重获取：默认由 inference.py 通过 snapshot_download(repo_id="autogluon/mitra-classifier-1.1", revision="10eead743ab2d810e0738fe2234c566bc8cea0d6") 显式下载；离线环境可设 MITRA11_LOCAL_DIR 指向本地 checkpoint 目录。

NPU 推理

python inference.py

真实结果（本次运行）

数据：wine 官方示例，142 行训练 / 36 行测试，13 特征。

设备证据：模型参数 npu:0 fp32，75,670,026 参数；前向输入/输出 Tensor device 为 npu:0 -> npu:0。

默认命令真实输出：accuracy = 1.0000，macro-F1 = 1.0000（CPU 与 NPU 相同），同步耗时 0.159 s（首轮含编译）。

一致性（CPU vs NPU）

同一权重、同一数据划分、同一种子（seed=0）、同一 dtype（fp32）下比较 36 行 × 3 类概率：

argmax 标签一致率：100%（36/36）

概率最大绝对误差：1.03e-2，平均绝对误差：7.25e-4

校验阈值：atol=0.01, rtol=0.05 下 elementwise 全部通过（compare_outputs.py passed=true）。阈值依据：12 层 ICL Transformer 在 fp32 下注意力累积误差的实测量级，且两端 accuracy/macro-F1 完全一致。该结果属于 smoke consistency（单数据集冒烟一致性），不是完整基准精度评测。

性能（npu:0）

预热 3 次、正式计时 10 次，每次前后 torch.npu.synchronize()；predict_proba 计时包含 CPU 侧预处理（已说明边界）。

batch shape [36, 13]，dtype float32：

首轮（含 NPU 图编译）：约 0.16 s；稳定态 latency avg/min/max = 42.54 / 42.32 / 43.30 ms，p50/p90/p95 = 42.37 / 43.20 / 43.25 ms；
吞吐 ≈ 846 rows/s；峰值显存 ≈ 502 MB。

动态 shape 复跑：首次编译后分别以 10/24/36 行查询集复跑均正常。

限制

仅验证了分类任务 + wine 官方示例数据集上的 smoke consistency 与性能；未覆盖全量公开表格基准。

fine_tune=True 微调路径未在 NPU 上验证；fit 阶段预处理仍在 CPU，仅 Transformer 前向位于 NPU。

大数据集下 Mitra 会按 max_samples_support/max_samples_query 截断支持/查询集，行为与上游一致。