硬件:Ascend NPU(Ascend 910B4) · 推理引擎:torch_npu · 设备:npu:0 精度验收:CPU vs NPU 推理精度差异 < 1%(实测 PASS,cosine=0.9999995231628418)
A PPG signal compression codec using Residual Vector Quantization (RVQ), optimized for edge and wearable devices.
| 属性 | 值 |
|---|---|
| 模型名 | Ambiq/compressionkit-ppg-2x-v1.0 |
| 原始权重 | ModelScope / HuggingFace / AtomGit 镜像 |
| 任务类型 | image-feature-extraction |
| 输入 | 图像 (RGB, 320×1) |
| 输出 | [batch, hidden] 视觉特征 |
| 框架 | PyTorch + torch_npu |
| 官方实现 | https://github.com/AmbiqAI/compressionkit |
官方实现 / 论文仓库:
| 依赖项 | 版本 | 说明 |
|---|---|---|
| Python | 3.11 | conda 环境 ambiq-compressionkit-ppg-2x-npu |
| torch / torch_npu | 2.10.0 / 2.10.0 | 由 setup_env.sh 装,须严格配套 |
| numpy | ==1.26.4 | |
| h5py | ==3.15.1 # 读 Keras3 .keras(zip+h5)权重,零 TF 转换 | |
| pyyaml | >=6.0 # torch_npu 隐式依赖(_memory_viz import yaml) |
一键建环境(从零创建 conda 环境并装依赖):
bash setup_env.sh # conda create -n <env> python=<ver> + torch/torch_npu + requirements.txt⚠️ 重要:若环境已装 torch/torch_npu,不要强制覆盖 torch,否则破坏 torch_npu 算子插件绑定。
国内 pip 源(Tsinghua):https://pypi.tuna.tsinghua.edu.cn/simple
权重不随仓库分发,推理前先用国内下载源拉取到本地缓存(推荐 ModelScope,失败回落 HF 镜像):
# 方式一:ModelScope(国内直连,最快)
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple
python -c "from modelscope import snapshot_download; snapshot_download('Ambiq/compressionkit-ppg-2x-v1.0', cache_dir='./weights')"
# 方式二:HF 镜像(hf-mirror.com)
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download Ambiq/compressionkit-ppg-2x-v1.0 --local-dir ./weights/compressionkit-ppg-2x-v1.0inference.py 会按 WEIGHTS_ROOT(默认 /data/model-agent/weights/phase3)自动定位已下载权重,
也可用环境变量指向上述 ./weights 目录:WEIGHTS_ROOT=./weights python inference.py
硬件:单卡 Ascend 910B4(npu:3,物理卡 7)
评委裸 clone 后本机没有 conda 环境,conda activate 不会创建环境。必须先建环境再推理:
# 第一步:从零创建 conda 环境并装依赖(conda create + torch/torch_npu + requirements.txt)
bash setup_env.sh
# 第二步:激活环境并一键推理(环境自检 + inference + eval + benchmark)
conda activate ambiq-compressionkit-ppg-2x-npu
bash run.shimport torch, torch_npu
from transformers import AutoModel, AutoTokenizer
m = AutoModel.from_pretrained("Ambiq/compressionkit-ppg-2x-v1.0", trust_remote_code=True).to("npu:0").eval()
tok = AutoTokenizer.from_pretrained("Ambiq/compressionkit-ppg-2x-v1.0", trust_remote_code=True)
inputs = tok("How to use this model?", return_tensors="pt").to("npu:0")
outputs = m(**inputs)logs/inference.log)输入:assets/test.jpg(RGB 图像)
输出:
=== Inference: Ambiq/compressionkit-ppg-2x-v1.0 on Ascend NPU ===
NPU: npu:0
加载方式: compressionkit_rvq(modality=ppg, RVQ 4 级, 帧 320)
输入 shape: (4, 1, 320, 1) → 重建 shape: (4, 1, 320, 1)
推理耗时: 334.79 ms(4 帧)
重建前 8 样本: [-0.2348, -0.2931, -0.3522, -0.43, -0.5258, -0.6379, -0.7604, -0.8943]
vs 官方 FP32 reconstructions: cosine=0.999979 max_abs_err=0.092973
真实 PPG demo(3 帧): 重建 vs 原信号 cosine=1.0000logs/accuracy.log)=== CPU-NPU Accuracy: Ambiq/compressionkit-ppg-2x-v1.0 ===
[NPU 一致性] max_abs_error 0.009409 mean_abs_error 0.000303
[NPU 一致性] cosine_similarity 1.000000
[官方参考] PT(CPU) vs Keras FP32 reconstructions: cosine=0.999979 max_abs_err=0.093203
结果 PASS(NPU≥0.98✓ 参考≥0.98✓)| 指标 | 数值 |
|---|---|
| max_abs_error | 0.00940859317779541 |
| relative_error | N/A |
| cosine_similarity | 0.9999995231628418 |
注:本次适配无精度要求,精度数据作为质量证据。详见
logs/accuracy.log。
| 指标 | 数值 |
|---|---|
| avg latency | 2.94 ms |
| p50 | 2.95 ms |
| throughput | 339.93 batches/sec |



截图由真实执行日志(
logs/)忠实渲染为终端风格 PNG,渲染脚本tools/gen_screenshots_pw.py(playwright),可复现,无虚构结果。
#NPU #Ascend #Ascend910 #model-agent-tagged
仓库:https://gitcode.com/v_50/Ambiq-compressionkit-ppg-2x-v1.0-NPU 适配日期:2026-08-12 | 赛道:第二季·模型适配·阶段三