v
v_50/dkarthikeyan1-tcrt5_ft_tcrdb-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

tcrt5 ft tcrdb 昇腾NPU部署文档

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 SKIP,cosine=1.0)

Model description TCRT5 is a seq2seq model designed to for the conditional generation of T-cell receptor (TCR) sequences given a target peptide-MHC (pMHC). It is a transformers model that is buil

1. 模型简介

属性值
模型名dkarthikeyan1/tcrt5_ft_tcrdb
原始权重ModelScope / HuggingFace / AtomGit 镜像
任务类型text-model
输入文本(token 长度 512)
输出[batch, hidden]
实测输出 shape(1, 256)
框架PyTorch + torch_npu
官方实现https://github.com/google-research/text-to-text-transfer-transformer

参考

官方实现 / 论文仓库:

  • https://github.com/google-research/text-to-text-transfer-transformer
  • https://github.com/statbiophys/OLGA

2. 环境依赖

依赖项版本说明
Python3.11conda 环境 dkarthikeyan1-tcrt5_ft_tcrdb-npu
torch / torch_npu2.10.0 / 2.10.0由 setup_env.sh 装,须严格配套
transformers==4.51.3
accelerate==1.14.0
pillow==12.3.0
numpy==1.26.4
huggingface-hub==0.36.2
requests==2.34.2
modelscope==1.37.0
safetensors==0.8.0
multimolecule==0.2.1
pyyaml>=6.0
einops==0.8.0 # transformers 4.51 modeling 隐式依赖(torch_npu 存在时触发)
torchvision==0.25.0
sentencepiece==0.2.1 # T5Tokenizer(spiece.model)必需

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

权重提前下载(国内源)

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('dkarthikeyan1/tcrt5_ft_tcrdb', cache_dir='./weights')"

# 方式二:HF 镜像(hf-mirror.com)
export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download dkarthikeyan1/tcrt5_ft_tcrdb --local-dir ./weights/tcrt5_ft_tcrdb

inference.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:1,物理卡 5)

3. 分步推理操作流程(先建环境,再跑推理)

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 dkarthikeyan1-tcrt5_ft_tcrdb-npu
bash run.sh

推理示例(真实输入,可复现)

import torch, torch_npu
from transformers import AutoModel, AutoTokenizer
m = AutoModel.from_pretrained("dkarthikeyan1/tcrt5_ft_tcrdb", trust_remote_code=True).to("npu:0").eval()
tok = AutoTokenizer.from_pretrained("dkarthikeyan1/tcrt5_ft_tcrdb", trust_remote_code=True)
inputs = tok("How to use this model?", return_tensors="pt").to("npu:0")
outputs = m(**inputs)

4. 测试样例及输出结果

样例 1:NPU 推理(完整 logs/inference.log)

输入:示例序列/文本(见 inference.py)

输出:

=== Inference: dkarthikeyan1/tcrt5_ft_tcrdb on Ascend NPU ===
NPU: npu:0
权重目录: /data/model-agent/weights/phase3/dkarthikeyan1/tcrt5_ft_tcrdb
pipeline_tag: feature-extraction | library: transformers | is_text=True
输入文本: How to use this model?
输入 ids shape: (1, 512)
推理耗时: 340.19 ms
特征 shape: (1, 256)
特征 L2 norm: 70.9002
特征前 8 维: [-4.535874843597412, -3.8142306804656982, 3.5264973640441895, 9.094510078430176, 0.21025024354457855, -1.581990122795105, -0.5759623646736145, -6.450984001159668]

样例 2:CPU vs NPU 精度验证(完整 logs/accuracy.log)

=== CPU-NPU Accuracy: dkarthikeyan1/tcrt5_ft_tcrdb ===
Encoder-Decoder 模型,跳过 CPU-NPU 特征精度对比(输出为 token ids)

5. CPU vs NPU 精度对比(仅记录,无硬约束)

精度对比:SKIP(encoder-decoder)

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。

6. NPU 推理性能

指标数值
avg latency41.34 ms
p5040.95 ms
throughput24.19 images/sec

7. Agent 适配截图(assets/)

7.1 Agent 适配全过程

Agent 适配流程

7.2 NPU 设备调用

NPU 设备调用

7.3 模型适配结果

模型适配结果

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。

8. 标签

#NPU #Ascend #Ascend910 #model-agent-tagged


仓库:https://gitcode.com/v_50/dkarthikeyan1-tcrt5_ft_tcrdb-NPU 适配日期:2026-08-12 | 赛道:第二季·模型适配·阶段三