Genereux-akotenou/genomics-tf-prediction 的 Ascend 910 单卡 npu:0 适配与推理验证。
#NPU
Genereux-akotenou/genomics-tf-prediction (HuggingFace)Binary-Classifier/AP2/FEEDFORWARD_k2.keras (snapshot_download 最新)Input[200] -> Dense 512 (relu) -> Dropout 0.2 -> Dense 128 (relu) -> Dropout 0.2 -> Dense 64 (relu) -> Dropout 0.2 -> Dense 1 (sigmoid)meta.json features_mask)[0,1],阈值 0.5,二分类标签 0/1.keras -> PyTorch nn.Linear(权重转置),float32,单卡 npu:0,torch_npu本仓库选择 AP2 / FEEDFORWARD_k2 作为代表验证 TF。其
meta.json记录f1=0.9651 accuracy=0.9651 df_length=8894。其它 TF (ARF, ARR-B, B3, BBR-BPC, BES1, C2H2, C3H, CAMTA 等) 共享相同架构,仅输入权重不同,可同法迁移(k2=200维,k3/k4/k5=1000维)。
meta.json features_mask + 推理时确定性合成表格数据(numpy.random.rand *0.05 模拟 DPC 频率,seed=42)rows × 200 float32,列顺序即 features_mask 的索引 1..200 对应二肽(如 AA, AC, AE...),见 EXAMPLE_FEATURES 前10。不得擅自改变列顺序。float32shape[1]==200、finite。model_result.png 为本次真实 NPU 推理完整输出,非随机伪造业务结果(随机 Tensor 仅用于 smoke test 时已说明)。npu-smi 25.5.5, 已验证 torch.npu.is_available()==True, device_count=2, 目标 npu:0CANN 8.5.1, ASCEND_TOOLKIT_HOME=/usr/local/Ascend/cann-8.5.1torch 2.9.0+cpu, torch_npu 2.9.0.post1+gitee7ba04, transformers 4.57.6, numpy 1.26.4, h5py 3.16.0, huggingface_hubtorch.npu.max_memory_allocated)scripts/check_npu.py 通过,scripts/collect_env.py 见 working/env.jsonpip install -r requirements.txt # torch, torch-npu, numpy, h5py, huggingface-hub
# 若本地已有 /tmp/genomics-tf-prediction 则直接使用,否则 inference.py 会自动 snapshot_downloadpython inference.py默认完成:
npu-smi info + torch.npu 设备校验.../AP2/FEEDFORWARD_k2.keras(或自动下载),解压 model.weights.h5,拷贝权重到 PyTorch(kernel 转置),迁移到 npu:0BATCH=4 的 200 维 DPC 样例,打印 schema/统计torch.npu.synchronize() 计时),对比误差预期输出包含 Model, [ENV], [DEVICE], [LOAD], [DATA], [CPU], [INFER], [RESULT], [COMPARE], [PERF], [STATUS] SUCCESS。
[DATA] input shape (4, 200) mean 0.02485 std 0.01468
[DATA] input[0,:5] [0.018727..., 0.047535..., 0.036599..., 0.029932..., 0.0078009...]
[CPU] proba [1.33e-17, 6.68e-18, 9.48e-11, 5.65e-30]
[RESULT] proba [1.33e-17, 6.68e-18, 9.48e-11, 5.65e-30] labels [0,0,0,0]
[COMPARE] max_abs 8.27e-25 passed True
[INFER] 0.1241s (first run incl. compile)
[PERF] 10 runs avg 0.0002s throughput ~22049 rows/s (batch 4)概率接近 0 说明该合成样例被判为 non-binding;不同输入(如较大 DPC 值)可得
0.07/0.999等不同概率,见device.log的另一 batch 示例。
working/cpu.npy (8,1) 与 working/npu.npy (8,1)python scripts/compare_outputs.py --cpu cpu.npy --npu npu.npy --task regression --atol 1e-4 --rtol 1e-3max_abs 2.73e-12 mean_abs 3.4e-13 passed true(另一批量 max 8e-25),远优于阈值。分类 argmax 一致率 100%。npu:0,输入输出 Tensor device 均为 npu:0,已通过 hook/日志证明 NPU forward。torch.npu.synchronize() 前后计时,预处理不计入(仅 matmul 计时;CSV 读取若有会说明)BATCH=4/32, shape=(B,200), dtype=float32, npu:0三图由 scripts/render_xterm_evidence.mjs --style raw 根据本次真实日志生成(深灰背景、白色等宽、提示符 atomgit@pod-a94f8701860f4700b161b00e290de466:~$),非 Pillow/Matplotlib 手绘:
assets/agent_workflow.png — 侦察、下载、转换、加载、NPU推理、一致性、benchmark、校验assets/npu_device_call.png — npu-smi、可用性、设备名、参数 device/dtype、输入输出 deviceassets/model_result.png — python inference.py 完整输出(schema、预测、耗时、状态)README 仅引用图片,不披露渲染工具细节;图片对应日志保留于
working/logs/(不进仓)。
float32、eval、单卡 npu:0;训练(fit)不涉及,分布式、混合精度、量化未验证TF_FAMILY/MODEL_VARIANT 并重新转换权重features_mask 从氨基酸序列计算(AA 等二肽计数/归一化),列顺序不可变submission/
├── inference.py
├── readme.md
├── requirements.txt
└── assets/
├── agent_workflow.png
├── npu_device_call.png
└── model_result.png禁止提交权重 (.keras/.h5/.pt/.bin...)、数据集、日志、缓存、kernel_meta/、fusion_result.json、token。
npu-smi info
python scripts/check_npu.py
python inference.py # 预期 [STATUS] SUCCESS 且退出码 0
python scripts/compare_outputs.py --cpu working/cpu.npy --npu working/npu.npy --task regression --atol 1e-4 --rtol 1e-3
python scripts/validate_submission.py submission