z
zzstudio/basset-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

multimolecule/basset 昇腾 NPU 部署

在昇腾 NPU(Ascend 910B)上部署 MultiMolecule 的 Basset 染色质可及性预测模型 (1D CNN,164 个 ENCODE 细胞类型/任务 track 多标签分类),通过 torch_npu 昇腾 推理引擎完成 600 bp DNA 序列 → 164 维 DNase I 可及性概率的完整推理。部署过程已完成 143 组测试用例并附全部真实输出结果。

1. 模型简介

  • 适配状态: SUCCESS
  • 适配时间: 2026-08-22

Basset(Kelley et al., PLOS Computational Biology 2016) 是一个 1D 卷积神经网络(CNN),从固定长度 600 bp DNA 序列预测染色质可及性 (DNase I hypersensitivity)。MultiMolecule 团队的非官方实现 multimolecule/basset(架构类 BassetForSequencePrediction)在 164 个 ENCODE 细胞类型 / 任务 track 上做多标签二分类,每个 track 的 logit 经 sigmoid 得到可及性概率。

属性值
模型架构3 × Conv1D(4→300→200→200, kernel 19/11/7) + BatchNorm + ReLU + MaxPool(3/4/4) → 2 × FC(1000, 1000) + Dropout → SequencePredictionHead(164)
参数量4,135,064(实测)
权重文件model.safetensors(约 16.5MB,另含兼容的 pytorch_model.bin)
输入600 bp DNA(DnaTokenizer 词表 A/C/G/T/N;N 视为未知/占位,one-hot 编码为全零)
输出(batch, 164) logit → sigmoid 概率(164 个 DNase I track,多标签分类,阈值 0.5 判活跃)
推理引擎torch_npu(CNN 非自回归模型,vLLM-Ascend / sglang 无法托管1)
许可证AGPL-3.0

⚠️ 固定长度约束:Basset 期望固定 600 bp 输入。本项目 inference.py 默认自动 补齐(pad token N,one-hot 编码为全零)到 600 bp / 超长自动截断,可用 --no-pad 关闭补齐。

⚠️ 精度说明:该模型在 float32 下部署验证通过(与模型 config dtype: float32 一致)。由于 Basset FC 层激活动态范围极大(实测可达 ~2600),bfloat16 / float16 半精度下存在模型固有的精度损失2(CPU 上同样存在,非 NPU 算子缺陷); 建议生产推理使用 float32。

2. 目录结构

basset-NPU/
├── inference.py        # 推理脚本(env / predict / batch / analyze / selftest / tokenize 六种模式)
├── generate_tests.py   # 143 组测试用例生成器(命令 + 真实输出 → docs_test_cases.md)
├── docs_test_cases.md  # 143 组完整测试用例及输出结果(第 8 节内容来源)
├── build_readme.py     # README 构建脚本(将测试用例内联到本文档)
├── test_sequences.txt  # 批量预测测试序列(每行一个,自动补齐)
├── README.md           # 本文档
├── requirements.txt    # 环境依赖清单
├── venv/               # 运行环境(python3 -m venv --system-site-packages venv)
└── assets/             # 素材目录
    └── .placeholder    # 空占位文件

3. 环境依赖

组件版本
操作系统Linux aarch64(openEuler / HCE)
昇腾 NPUAscend 910B × 2(Ascend910_9362)
CANN8.5.1(V100R001C25SPC002B220)
Python3.11.14
PyTorch2.9.0+cpu(昇腾本地编译,算子运行在 NPU)
torch_npu2.9.0.post1+gitee7ba04
transformers5.9.0(multimolecule 0.2.1 依赖 transformers 5.x API)
multimolecule0.2.1(Basset 模型实现库)
danling0.4.4
chanfig0.0.117
torchmetrics1.9.0
tokenizers0.22.2
huggingface_hub1.28.0
numpy1.26.4
safetensors0.7.0

完整依赖见 requirements.txt。

4. 模型下载

模型权重已下载至 /data/models/multimolecule/basset (含 config.json / model.safetensors / pytorch_model.bin / tokenizer_config.json / vocab.txt)。

如自行下载,可参考(走 HF 镜像):

HF_ENDPOINT=https://hf-mirror.com huggingface-cli download \
  multimolecule/basset --local-dir /data/models/multimolecule/basset

国内网络环境建议使用国内 pip 镜像与 HF 镜像3下载依赖与模型。

模型路径可用环境变量覆盖:

环境变量默认值说明
BASSET_MODEL_PATH/data/models/multimolecule/basset模型目录

5. 部署与推理

5.0 环境激活(venv,可选)

项目已提供 venv/(复用系统级 torch / torch_npu / CANN),激活后即可运行:

cd basset-NPU
source venv/bin/activate
python inference.py --mode env       # 环境自检
# 如未使用 venv,直接用系统 python3 亦可(multimolecule 与 transformers 5.9.0 已就位)

5.1 环境自检

python3 inference.py --mode env

输出示例(实测):NPU 可用、2 张 Ascend910_9362、模型权重就位、快速前向自检通过 ✅。

5.2 单序列预测(染色质可及性,164 tracks)

内置模型卡基因模板(不足 600 bp 自动补齐):

python3 inference.py --mode predict --gene p53
python3 inference.py --mode predict --gene TERT

内置合成序列模板(polyA/polyC/polyG/polyT/ACGT/GC50/AT50/N600/random/random_n/iupac):

python3 inference.py --mode predict --pattern ACGT
python3 inference.py --mode predict --pattern random --seed 1

直接传入 DNA 序列(自动补齐/截断到 600 bp;--no-pad 可关闭补齐):

python3 inference.py --mode predict --seq "ACGTACGTACGT"
python3 inference.py --mode predict \
    --seq "$(python3 -c "print('ACGT'*150)")" --dtype float32 --device npu:1

活跃 track 判定阈值 / Top-k 可调:

python3 inference.py --mode predict --pattern ACGT --threshold 0.3 --topk 10

5.3 批量预测

# 显式多序列
python3 inference.py --mode batch --seqs ACGT TGCA GCGC GATTACA

# 序列文件(每行一个)
python3 inference.py --mode batch --seq-file test_sequences.txt

# 取文件前 N 条
python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 32

5.4 序列组成分析(GC 含量梯度 / 碱基组成)

# GC 含量 0% → 100% 共 11 档
python3 inference.py --mode analyze --gc-sweep

# 碱基组成偏好(polyA / polyC / polyG / polyT)
python3 inference.py --mode analyze --base-profiles

5.5 一致性自检

# NPU-vs-CPU 一致性
python3 inference.py --mode selftest --pattern ACGT --cpu-npu

# 跨 dtype / 跨设备一致性 + 模型信息
python3 inference.py --mode selftest --pattern ACGT --dtype-sweep --device-sweep --info

# 全部自检项
python3 inference.py --mode selftest --pattern GC50 --all

5.6 Tokenizer 检查

python3 inference.py --mode tokenize --seq RYWSKMBVDH

5.7 参数说明

参数默认值说明
--modepredict运行模式:env / predict / batch / analyze / selftest / tokenize
--seq无待预测 DNA 序列(自动补齐/截断到 600 bp)
--gene无内置基因模板(p53/BRCA1/HBB/CFTR/TERT/KRAS/INS/PRNP/IL10/EBOV/SARS/HPV16_E6/CDKN2A)
--pattern无内置合成模板(polyA/polyC/polyG/polyT/ACGT/GC50/AT50/N600/random/random_n/iupac)
--name无序列展示标签
--no-padFalse禁止自动补齐(输入不足 600 bp 时抛错)
--threshold0.5活跃 track 判定阈值
--topk5Top-k track 展示数量
--dtypefloat32推理精度:float32(推荐) / bfloat16 / float16
--devicenpu:0推理设备(npu:0 / npu:1 / cpu)
--seed42随机种子(random 模板)
--seqs无批量预测多序列
--seq-file无批量预测序列文件
--max-seqs无仅取前 N 个序列
--gc-sweep / --base-profilesFalseanalyze 模式分析类型
--cpu-npu / --dtype-sweep / --device-sweep / --info / --allFalseselftest 模式检查项

6. 实测结果(Ascend 910B,单卡 float32)

序列GCn_activemean_pmax_ptop1 track
ACGT×150(重复序列)50%20.01580.9920dnase_29
GC×300(GC 重复)100%240.16740.9895dnase_53
polyT(T×600)0%100.26760.6406dnase_120
polyG(G×600)100%50.11280.6353dnase_21
polyC(C×600)100%00.01170.1681dnase_21
polyA(A×600)0%00.00350.0784dnase_72
AT×300(AT 重复)0%00.00910.1900dnase_4
全 N(未知碱基占位)—00.00000.0000dnase_108
随机 DNA(seed=42)50%1640.79060.9280dnase_147
真基因 p53 外显子62%00.00030.0402dnase_108
真基因 CFTR62%00.00030.0489dnase_108
真基因 EBOV46%00.00050.0578dnase_148
  • 规律:ACGT / GC 周期重复序列在特定 track 上给出极强信号(如 dnase_29@0.992); polyT / polyG 同聚物激活多组 track(dT 均聚物为经典 DNase 高敏区);随机 DNA 序列 触发 164 个 track 广泛活跃;而真基因编码区多数 track 概率极低(n_active=0)。
  • 确定性:同一序列在 npu:0 与 npu:1 下输出完全一致(max_abs_diff = 0.00e+00)。
  • 数值一致性:NPU 与 CPU float32 前向 max_abs_diff ≈ 5e-2(模型 FC 激活动态范围大, 属 Ascend 融合算子浮点累加差异);bf16/fp16 差异为模型固有2。
  • 单条前向耗时约 46 ms(不含模型加载),模型加载约 12 s。

7. 完整输入输出示例(单序列推理)

以 ACGT×150 为例,完整推理输出如下:

$ python3 inference.py --mode predict --pattern ACGT --compact

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

输出说明:

  • logits:模型输出 (1, 164) 维 logit;sigmoid(logit) 即各 ENCODE track 的可及性概率。
  • n_active:概率 ≥ 阈值(默认 0.5)的活跃 track 数;mean_p / max_p:164 个概率的均值 / 最大值。
  • top:概率最高的 5 个 track(dnase_<id>@<prob>),dnase_29 为 ACGT 重复序列最强的 DNase 信号 track。

8. 完整测试用例(143 组,附真实输出)

全部用例在昇腾 NPU(Ascend 910B)实测执行,命令与输出一一对应。 按 7 大类别组织:A 环境自检(3)、B 真基因单序列预测(52)、C 合成/随机序列预测(29)、 D 批量预测(14)、E 序列组成分析(12)、F 一致性自检(14)、G 边界与错误处理(19), 共 143 组 ≥ 118 组。

8.1 用例清单

类别编号说明数量
A001–003环境自检(双卡 / 指定可见卡)3
B004–055真基因单序列预测(13 基因 × 精度 × 设备)52
C056–084合成/随机序列预测(模板 / 随机种子 / 含 N / IUPAC)29
D085–098批量预测(批量大小 / 混合组成 / 确定性)14
E099–110序列组成分析(GC 梯度 / 碱基偏好 / 阈值敏感性)12
F111–124一致性自检(NPU-CPU / 跨 dtype / 跨设备 / 模型信息)14
G125–143边界、Tokenizer 与错误处理19

8.2 完整用例与输出

用例 001(A)— 环境自检(双卡 NPU)

python3 inference.py --mode env --compact

输出:

[env] python=3.11.14 torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04 transformers=5.9.0 multimolecule=0.2.1 numpy=1.26.4 NPU可用=True 设备数=2 设备0=Ascend910_9362 权重OK=True 前向OK=True

用例 002(A)— 环境自检(仅可见 NPU 设备 1)

ASCEND_RT_VISIBLE_DEVICES=1 python3 inference.py --mode env --compact

输出:

[env] python=3.11.14 torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04 transformers=5.9.0 multimolecule=0.2.1 numpy=1.26.4 NPU可用=True 设备数=1 设备0=Ascend910_9362 权重OK=True 前向OK=True

用例 003(A)— 环境自检(仅可见 NPU 设备 0)

ASCEND_RT_VISIBLE_DEVICES=0 python3 inference.py --mode env --compact

输出:

[env] python=3.11.14 torch=2.9.0+cpu torch_npu=2.9.0.post1+gitee7ba04 transformers=5.9.0 multimolecule=0.2.1 numpy=1.26.4 NPU可用=True 设备数=1 设备0=Ascend910_9362 权重OK=True 前向OK=True

用例 004(B)— 真基因预测 p53(npu:0, float32)

python3 inference.py --mode predict --gene p53 --compact

输出:

[predict] seq=p53 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.188s n_active=0 mean_p=0.0003 max_p=0.0402 top=dnase_108@0.0402,dnase_148@0.0029,dnase_147@0.0001,dnase_26@0.0000,dnase_131@0.0000

用例 005(B)— 真基因预测 BRCA1(npu:0, float32)

python3 inference.py --mode predict --gene BRCA1 --compact

输出:

[predict] seq=BRCA1 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 006(B)— 真基因预测 HBB(npu:0, float32)

python3 inference.py --mode predict --gene HBB --compact

输出:

[predict] seq=HBB 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0017 top=dnase_108@0.0017,dnase_148@0.0001,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 007(B)— 真基因预测 CFTR(npu:0, float32)

python3 inference.py --mode predict --gene CFTR --compact

输出:

[predict] seq=CFTR 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0003 max_p=0.0489 top=dnase_108@0.0489,dnase_148@0.0035,dnase_147@0.0002,dnase_131@0.0000,dnase_55@0.0000

用例 008(B)— 真基因预测 TERT(npu:0, float32)

python3 inference.py --mode predict --gene TERT --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0037 top=dnase_148@0.0037,dnase_108@0.0031,dnase_147@0.0003,dnase_26@0.0001,dnase_92@0.0000

用例 009(B)— 真基因预测 KRAS(npu:0, float32)

python3 inference.py --mode predict --gene KRAS --compact

输出:

[predict] seq=KRAS 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0004 top=dnase_108@0.0004,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 010(B)— 真基因预测 INS(npu:0, float32)

python3 inference.py --mode predict --gene INS --compact

输出:

[predict] seq=INS 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0012 top=dnase_108@0.0012,dnase_148@0.0007,dnase_147@0.0000,dnase_26@0.0000,dnase_92@0.0000

用例 011(B)— 真基因预测 PRNP(npu:0, float32)

python3 inference.py --mode predict --gene PRNP --compact

输出:

[predict] seq=PRNP 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 012(B)— 真基因预测 IL10(npu:0, float32)

python3 inference.py --mode predict --gene IL10 --compact

输出:

[predict] seq=IL10 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 013(B)— 真基因预测 EBOV(npu:0, float32)

python3 inference.py --mode predict --gene EBOV --compact

输出:

[predict] seq=EBOV 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0005 max_p=0.0578 top=dnase_148@0.0578,dnase_108@0.0133,dnase_147@0.0055,dnase_105@0.0001,dnase_131@0.0000

用例 014(B)— 真基因预测 SARS(npu:0, float32)

python3 inference.py --mode predict --gene SARS --compact

输出:

[predict] seq=SARS 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0020 top=dnase_4@0.0020,dnase_105@0.0018,dnase_29@0.0016,dnase_26@0.0016,dnase_27@0.0012

用例 015(B)— 真基因预测 HPV16_E6(npu:0, float32)

python3 inference.py --mode predict --gene HPV16_E6 --compact

输出:

[predict] seq=HPV16_E6 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0005 top=dnase_26@0.0005,dnase_105@0.0004,dnase_148@0.0003,dnase_108@0.0003,dnase_4@0.0002

用例 016(B)— 真基因预测 CDKN2A(npu:0, float32)

python3 inference.py --mode predict --gene CDKN2A --compact

输出:

[predict] seq=CDKN2A 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0002 max_p=0.0059 top=dnase_26@0.0059,dnase_29@0.0047,dnase_4@0.0026,dnase_121@0.0022,dnase_108@0.0021

用例 017(B)— 真基因预测 p53(npu:0, bfloat16)

python3 inference.py --mode predict --gene p53 --dtype bfloat16 --compact

输出:

[predict] seq=p53 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.046s n_active=0 mean_p=0.0002 max_p=0.0326 top=dnase_108@0.0326,dnase_148@0.0026,dnase_147@0.0001,dnase_26@0.0000,dnase_131@0.0000

用例 018(B)— 真基因预测 BRCA1(npu:0, bfloat16)

python3 inference.py --mode predict --gene BRCA1 --dtype bfloat16 --compact

输出:

[predict] seq=BRCA1 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 019(B)— 真基因预测 HBB(npu:0, bfloat16)

python3 inference.py --mode predict --gene HBB --dtype bfloat16 --compact

输出:

[predict] seq=HBB 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0012 top=dnase_108@0.0012,dnase_148@0.0001,dnase_147@0.0000,dnase_26@0.0000,dnase_55@0.0000

用例 020(B)— 真基因预测 CFTR(npu:0, bfloat16)

python3 inference.py --mode predict --gene CFTR --dtype bfloat16 --compact

输出:

[predict] seq=CFTR 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0003 max_p=0.0421 top=dnase_108@0.0421,dnase_148@0.0033,dnase_147@0.0002,dnase_131@0.0000,dnase_26@0.0000

用例 021(B)— 真基因预测 TERT(npu:0, bfloat16)

python3 inference.py --mode predict --gene TERT --dtype bfloat16 --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0031 top=dnase_148@0.0031,dnase_108@0.0021,dnase_147@0.0002,dnase_26@0.0001,dnase_105@0.0000

用例 022(B)— 真基因预测 KRAS(npu:0, bfloat16)

python3 inference.py --mode predict --gene KRAS --dtype bfloat16 --compact

输出:

[predict] seq=KRAS 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0003 top=dnase_108@0.0003,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 023(B)— 真基因预测 INS(npu:0, bfloat16)

python3 inference.py --mode predict --gene INS --dtype bfloat16 --compact

输出:

[predict] seq=INS 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0008 top=dnase_108@0.0008,dnase_148@0.0005,dnase_147@0.0000,dnase_26@0.0000,dnase_92@0.0000

用例 024(B)— 真基因预测 PRNP(npu:0, bfloat16)

python3 inference.py --mode predict --gene PRNP --dtype bfloat16 --compact

输出:

[predict] seq=PRNP 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 025(B)— 真基因预测 IL10(npu:0, bfloat16)

python3 inference.py --mode predict --gene IL10 --dtype bfloat16 --compact

输出:

[predict] seq=IL10 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 026(B)— 真基因预测 EBOV(npu:0, bfloat16)

python3 inference.py --mode predict --gene EBOV --dtype bfloat16 --compact

输出:

[predict] seq=EBOV 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.005s n_active=0 mean_p=0.0004 max_p=0.0550 top=dnase_148@0.0550,dnase_108@0.0110,dnase_147@0.0048,dnase_105@0.0001,dnase_26@0.0000

用例 027(B)— 真基因预测 SARS(npu:0, bfloat16)

python3 inference.py --mode predict --gene SARS --dtype bfloat16 --compact

输出:

[predict] seq=SARS 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0015 top=dnase_105@0.0015,dnase_4@0.0015,dnase_26@0.0012,dnase_29@0.0012,dnase_27@0.0009

用例 028(B)— 真基因预测 HPV16_E6(npu:0, bfloat16)

python3 inference.py --mode predict --gene HPV16_E6 --dtype bfloat16 --compact

输出:

[predict] seq=HPV16_E6 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0003 top=dnase_26@0.0003,dnase_148@0.0003,dnase_105@0.0003,dnase_108@0.0002,dnase_4@0.0001

用例 029(B)— 真基因预测 CDKN2A(npu:0, bfloat16)

python3 inference.py --mode predict --gene CDKN2A --dtype bfloat16 --compact

输出:

[predict] seq=CDKN2A 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0048 top=dnase_26@0.0048,dnase_29@0.0036,dnase_4@0.0020,dnase_121@0.0018,dnase_108@0.0018

用例 030(B)— 真基因预测 p53(npu:0, float16)

python3 inference.py --mode predict --gene p53 --dtype float16 --compact

输出:

[predict] seq=p53 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.039s n_active=0 mean_p=0.0003 max_p=0.0400 top=dnase_108@0.0400,dnase_148@0.0029,dnase_147@0.0001,dnase_26@0.0000,dnase_131@0.0000

用例 031(B)— 真基因预测 BRCA1(npu:0, float16)

python3 inference.py --mode predict --gene BRCA1 --dtype float16 --compact

输出:

[predict] seq=BRCA1 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 032(B)— 真基因预测 HBB(npu:0, float16)

python3 inference.py --mode predict --gene HBB --dtype float16 --compact

输出:

[predict] seq=HBB 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0016 top=dnase_108@0.0016,dnase_148@0.0001,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 033(B)— 真基因预测 CFTR(npu:0, float16)

python3 inference.py --mode predict --gene CFTR --dtype float16 --compact

输出:

[predict] seq=CFTR 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0003 max_p=0.0489 top=dnase_108@0.0489,dnase_148@0.0034,dnase_147@0.0002,dnase_131@0.0000,dnase_26@0.0000

用例 034(B)— 真基因预测 TERT(npu:0, float16)

python3 inference.py --mode predict --gene TERT --dtype float16 --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0036 top=dnase_148@0.0036,dnase_108@0.0030,dnase_147@0.0003,dnase_26@0.0001,dnase_92@0.0000

用例 035(B)— 真基因预测 KRAS(npu:0, float16)

python3 inference.py --mode predict --gene KRAS --dtype float16 --compact

输出:

[predict] seq=KRAS 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0004 top=dnase_108@0.0004,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 036(B)— 真基因预测 INS(npu:0, float16)

python3 inference.py --mode predict --gene INS --dtype float16 --compact

输出:

[predict] seq=INS 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0011 top=dnase_108@0.0011,dnase_148@0.0007,dnase_147@0.0000,dnase_26@0.0000,dnase_92@0.0000

用例 037(B)— 真基因预测 PRNP(npu:0, float16)

python3 inference.py --mode predict --gene PRNP --dtype float16 --compact

输出:

[predict] seq=PRNP 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 038(B)— 真基因预测 IL10(npu:0, float16)

python3 inference.py --mode predict --gene IL10 --dtype float16 --compact

输出:

[predict] seq=IL10 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 039(B)— 真基因预测 EBOV(npu:0, float16)

python3 inference.py --mode predict --gene EBOV --dtype float16 --compact

输出:

[predict] seq=EBOV 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.005s n_active=0 mean_p=0.0005 max_p=0.0572 top=dnase_148@0.0572,dnase_108@0.0132,dnase_147@0.0054,dnase_105@0.0001,dnase_131@0.0000

用例 040(B)— 真基因预测 SARS(npu:0, float16)

python3 inference.py --mode predict --gene SARS --dtype float16 --compact

输出:

[predict] seq=SARS 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0019 top=dnase_4@0.0019,dnase_105@0.0018,dnase_29@0.0016,dnase_26@0.0015,dnase_27@0.0012

用例 041(B)— 真基因预测 HPV16_E6(npu:0, float16)

python3 inference.py --mode predict --gene HPV16_E6 --dtype float16 --compact

输出:

[predict] seq=HPV16_E6 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0005 top=dnase_26@0.0005,dnase_105@0.0003,dnase_148@0.0003,dnase_108@0.0003,dnase_4@0.0002

用例 042(B)— 真基因预测 CDKN2A(npu:0, float16)

python3 inference.py --mode predict --gene CDKN2A --dtype float16 --compact

输出:

[predict] seq=CDKN2A 输入=(1,600) 设备=npu:0 精度=float16 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0058 top=dnase_26@0.0058,dnase_29@0.0045,dnase_4@0.0025,dnase_121@0.0021,dnase_108@0.0020

用例 043(B)— 真基因预测 p53(npu:1, float32)

python3 inference.py --mode predict --gene p53 --device npu:1 --compact

输出:

[predict] seq=p53 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.019s n_active=0 mean_p=0.0003 max_p=0.0402 top=dnase_108@0.0402,dnase_148@0.0029,dnase_147@0.0001,dnase_26@0.0000,dnase_131@0.0000

用例 044(B)— 真基因预测 BRCA1(npu:1, float32)

python3 inference.py --mode predict --gene BRCA1 --device npu:1 --compact

输出:

[predict] seq=BRCA1 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 045(B)— 真基因预测 HBB(npu:1, float32)

python3 inference.py --mode predict --gene HBB --device npu:1 --compact

输出:

[predict] seq=HBB 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0017 top=dnase_108@0.0017,dnase_148@0.0001,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 046(B)— 真基因预测 CFTR(npu:1, float32)

python3 inference.py --mode predict --gene CFTR --device npu:1 --compact

输出:

[predict] seq=CFTR 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0003 max_p=0.0489 top=dnase_108@0.0489,dnase_148@0.0035,dnase_147@0.0002,dnase_131@0.0000,dnase_55@0.0000

用例 047(B)— 真基因预测 TERT(npu:1, float32)

python3 inference.py --mode predict --gene TERT --device npu:1 --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0037 top=dnase_148@0.0037,dnase_108@0.0031,dnase_147@0.0003,dnase_26@0.0001,dnase_92@0.0000

用例 048(B)— 真基因预测 KRAS(npu:1, float32)

python3 inference.py --mode predict --gene KRAS --device npu:1 --compact

输出:

[predict] seq=KRAS 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0004 top=dnase_108@0.0004,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 049(B)— 真基因预测 INS(npu:1, float32)

python3 inference.py --mode predict --gene INS --device npu:1 --compact

输出:

[predict] seq=INS 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0012 top=dnase_108@0.0012,dnase_148@0.0007,dnase_147@0.0000,dnase_26@0.0000,dnase_92@0.0000

用例 050(B)— 真基因预测 PRNP(npu:1, float32)

python3 inference.py --mode predict --gene PRNP --device npu:1 --compact

输出:

[predict] seq=PRNP 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 051(B)— 真基因预测 IL10(npu:1, float32)

python3 inference.py --mode predict --gene IL10 --device npu:1 --compact

输出:

[predict] seq=IL10 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 052(B)— 真基因预测 EBOV(npu:1, float32)

python3 inference.py --mode predict --gene EBOV --device npu:1 --compact

输出:

[predict] seq=EBOV 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0005 max_p=0.0578 top=dnase_148@0.0578,dnase_108@0.0133,dnase_147@0.0055,dnase_105@0.0001,dnase_131@0.0000

用例 053(B)— 真基因预测 SARS(npu:1, float32)

python3 inference.py --mode predict --gene SARS --device npu:1 --compact

输出:

[predict] seq=SARS 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0001 max_p=0.0020 top=dnase_4@0.0020,dnase_105@0.0018,dnase_29@0.0016,dnase_26@0.0016,dnase_27@0.0012

用例 054(B)— 真基因预测 HPV16_E6(npu:1, float32)

python3 inference.py --mode predict --gene HPV16_E6 --device npu:1 --compact

输出:

[predict] seq=HPV16_E6 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0005 top=dnase_26@0.0005,dnase_105@0.0004,dnase_148@0.0003,dnase_108@0.0003,dnase_4@0.0002

用例 055(B)— 真基因预测 CDKN2A(npu:1, float32)

python3 inference.py --mode predict --gene CDKN2A --device npu:1 --compact

输出:

[predict] seq=CDKN2A 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0002 max_p=0.0059 top=dnase_26@0.0059,dnase_29@0.0047,dnase_4@0.0026,dnase_121@0.0022,dnase_108@0.0021

用例 056(C)— 合成模板 polyA(npu:0, float32)

python3 inference.py --mode predict --pattern polyA --compact

输出:

[predict] seq=polyA 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0035 max_p=0.0784 top=dnase_72@0.0784,dnase_29@0.0626,dnase_51@0.0255,dnase_4@0.0246,dnase_160@0.0225

用例 057(C)— 合成模板 polyC(npu:0, float32)

python3 inference.py --mode predict --pattern polyC --compact

输出:

[predict] seq=polyC 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0117 max_p=0.1681 top=dnase_21@0.1681,dnase_29@0.1340,dnase_106@0.1311,dnase_121@0.1084,dnase_2@0.0689

用例 058(C)— 合成模板 polyG(npu:0, float32)

python3 inference.py --mode predict --pattern polyG --compact

输出:

[predict] seq=polyG 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=5 mean_p=0.1128 max_p=0.6353 top=dnase_21@0.6353,dnase_113@0.5688,dnase_121@0.5470,dnase_116@0.5352,dnase_2@0.5288

用例 059(C)— 合成模板 polyT(npu:0, float32)

python3 inference.py --mode predict --pattern polyT --compact

输出:

[predict] seq=polyT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=10 mean_p=0.2676 max_p=0.6406 top=dnase_120@0.6406,dnase_66@0.6364,dnase_50@0.5941,dnase_51@0.5851,dnase_138@0.5708

用例 060(C)— 合成模板 ACGT(npu:0, float32)

python3 inference.py --mode predict --pattern ACGT --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 061(C)— 合成模板 GC50(npu:0, float32)

python3 inference.py --mode predict --pattern GC50 --compact

输出:

[predict] seq=GC50 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=24 mean_p=0.1674 max_p=0.9895 top=dnase_53@0.9895,dnase_111@0.9866,dnase_124@0.9796,dnase_140@0.9738,dnase_131@0.9617

用例 062(C)— 合成模板 AT50(npu:0, float32)

python3 inference.py --mode predict --pattern AT50 --compact

输出:

[predict] seq=AT50 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0091 max_p=0.1900 top=dnase_4@0.1900,dnase_29@0.1871,dnase_147@0.1632,dnase_148@0.1494,dnase_59@0.1216

用例 063(C)— 合成模板 N600(npu:0, float32)

python3 inference.py --mode predict --pattern N600 --compact

输出:

[predict] seq=N600 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 064(C)— 随机 DNA seed=1(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 1 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=164 mean_p=0.7906 max_p=0.9280 top=dnase_147@0.9280,dnase_126@0.9103,dnase_119@0.9066,dnase_127@0.8928,dnase_150@0.8838

用例 065(C)— 随机 DNA seed=2(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 2 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=164 mean_p=0.7715 max_p=0.9185 top=dnase_119@0.9185,dnase_147@0.9098,dnase_153@0.8946,dnase_126@0.8872,dnase_158@0.8796

用例 066(C)— 随机 DNA seed=3(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 3 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=164 mean_p=0.9331 max_p=0.9778 top=dnase_119@0.9778,dnase_161@0.9747,dnase_150@0.9739,dnase_147@0.9734,dnase_64@0.9733

用例 067(C)— 随机 DNA seed=4(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 4 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.2544 max_p=0.5879 top=dnase_147@0.5879,dnase_119@0.5240,dnase_59@0.4992,dnase_89@0.4919,dnase_148@0.4205

用例 068(C)— 随机 DNA seed=5(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 5 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=164 mean_p=0.7499 max_p=0.8799 top=dnase_119@0.8799,dnase_153@0.8615,dnase_126@0.8557,dnase_147@0.8545,dnase_159@0.8532

用例 069(C)— 随机 DNA seed=6(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 6 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=4 mean_p=0.2373 max_p=0.6218 top=dnase_118@0.6218,dnase_117@0.5970,dnase_152@0.5506,dnase_150@0.5097,dnase_151@0.4924

用例 070(C)— 随机 DNA seed=7(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 7 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=113 mean_p=0.5363 max_p=0.7297 top=dnase_126@0.7297,dnase_119@0.7003,dnase_111@0.6847,dnase_128@0.6820,dnase_127@0.6812

用例 071(C)— 随机 DNA seed=8(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 8 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=13 mean_p=0.3919 max_p=0.7390 top=dnase_147@0.7390,dnase_148@0.6594,dnase_153@0.5387,dnase_126@0.5352,dnase_119@0.5294

用例 072(C)— 随机 DNA seed=9(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 9 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=156 mean_p=0.6496 max_p=0.8180 top=dnase_119@0.8180,dnase_137@0.7891,dnase_89@0.7872,dnase_154@0.7857,dnase_112@0.7857

用例 073(C)— 随机 DNA seed=10(npu:0, float32)

python3 inference.py --mode predict --pattern random --seed 10 --compact

输出:

[predict] seq=random 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=153 mean_p=0.6325 max_p=0.8049 top=dnase_119@0.8049,dnase_153@0.7815,dnase_159@0.7680,dnase_147@0.7627,dnase_151@0.7533

用例 074(C)— 含N随机 DNA seed=11(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 11 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0459 max_p=0.2712 top=dnase_113@0.2712,dnase_55@0.2626,dnase_129@0.2383,dnase_127@0.2254,dnase_128@0.2007

用例 075(C)— 含N随机 DNA seed=12(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 12 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=115 mean_p=0.5675 max_p=0.8282 top=dnase_118@0.8282,dnase_159@0.8125,dnase_158@0.8109,dnase_117@0.7914,dnase_29@0.7877

用例 076(C)— 含N随机 DNA seed=13(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 13 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=10 mean_p=0.3248 max_p=0.6506 top=dnase_113@0.6506,dnase_127@0.6386,dnase_129@0.6004,dnase_128@0.5968,dnase_21@0.5682

用例 077(C)— 含N随机 DNA seed=14(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 14 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=32 mean_p=0.4162 max_p=0.7007 top=dnase_113@0.7007,dnase_21@0.6689,dnase_118@0.6375,dnase_159@0.6353,dnase_127@0.6314

用例 078(C)— 含N随机 DNA seed=15(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 15 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=21 mean_p=0.3888 max_p=0.7393 top=dnase_113@0.7393,dnase_127@0.6844,dnase_21@0.6607,dnase_128@0.6425,dnase_129@0.6392

用例 079(C)— 含N随机 DNA seed=16(npu:0, float32)

python3 inference.py --mode predict --pattern random_n --seed 16 --compact

输出:

[predict] seq=random_n 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=95 mean_p=0.5231 max_p=0.7457 top=dnase_113@0.7457,dnase_159@0.7225,dnase_127@0.7079,dnase_158@0.6860,dnase_118@0.6834

用例 080(C)— 合成模板 polyC(npu:0, bfloat16)

python3 inference.py --mode predict --pattern polyC --dtype bfloat16 --compact

输出:

[predict] seq=polyC 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0112 max_p=0.1592 top=dnase_21@0.1592,dnase_29@0.1312,dnase_106@0.1277,dnase_121@0.1067,dnase_2@0.0675

用例 081(C)— 合成模板 polyG(npu:0, bfloat16)

python3 inference.py --mode predict --pattern polyG --dtype bfloat16 --compact

输出:

[predict] seq=polyG 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=5 mean_p=0.1156 max_p=0.6415 top=dnase_21@0.6415,dnase_113@0.5780,dnase_121@0.5542,dnase_116@0.5475,dnase_2@0.5361

用例 082(C)— 合成模板 ACGT(npu:0, bfloat16)

python3 inference.py --mode predict --pattern ACGT --dtype bfloat16 --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=1 mean_p=0.0103 max_p=0.9797 top=dnase_29@0.9797,dnase_148@0.3478,dnase_121@0.1530,dnase_147@0.0706,dnase_134@0.0336

用例 083(C)— 合成模板 N600(npu:0, bfloat16)

python3 inference.py --mode predict --pattern N600 --dtype bfloat16 --compact

输出:

[predict] seq=N600 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 084(C)— 合成模板 iupac(npu:0, bfloat16)

python3 inference.py --mode predict --pattern iupac --dtype bfloat16 --compact

输出:

[predict] seq=iupac 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_147@0.0000,dnase_55@0.0000,dnase_131@0.0000

用例 085(D)— 批量大小 batch_size=1(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 1 --compact

输出:

[batch] n=1 输入=(1, 164) 设备=npu:0 精度=float32 耗时=0.004s n_actives=[0] top1=[dnase_108@0.0000]

用例 086(D)— 批量大小 batch_size=2(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 2 --compact

输出:

[batch] n=2 输入=(2, 164) 设备=npu:0 精度=float32 耗时=0.008s n_actives=[0,0] top1=[dnase_108@0.0000,dnase_108@0.0000]

用例 087(D)— 批量大小 batch_size=4(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 4 --compact

输出:

[batch] n=4 输入=(4, 164) 设备=npu:0 精度=float32 耗时=0.013s n_actives=[0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 088(D)— 批量大小 batch_size=8(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 8 --compact

输出:

[batch] n=8 输入=(8, 164) 设备=npu:0 精度=float32 耗时=0.023s n_actives=[0,0,0,0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 089(D)— 批量大小 batch_size=16(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 16 --compact

输出:

[batch] n=16 输入=(16, 164) 设备=npu:0 精度=float32 耗时=0.043s n_actives=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 090(D)— 批量大小 batch_size=32(seq-file)

python3 inference.py --mode batch --seq-file test_sequences.txt --max-seqs 32 --compact

输出:

[batch] n=25 输入=(25, 164) 设备=npu:0 精度=float32 耗时=0.066s n_actives=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 091(D)— 混合组成批量(组 1)

python3 inference.py --mode batch --seqs "ACGT" "GCGC" "ATAT" "N600" --compact

输出:

[batch] n=4 输入=(4, 164) 设备=npu:0 精度=float32 耗时=0.012s n_actives=[0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 092(D)— 混合组成批量(组 2)

python3 inference.py --mode batch --seqs "polyA" "polyC" "polyG" "polyT" "ACGT" --compact

输出:

[batch] n=5 输入=(5, 164) 设备=npu:0 精度=float32 耗时=0.015s n_actives=[0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 093(D)— 混合组成批量(组 3)

python3 inference.py --mode batch --seqs "GATTACA" "TTTT" "CCCC" "AAAA" --compact

输出:

[batch] n=4 输入=(4, 164) 设备=npu:0 精度=float32 耗时=0.012s n_actives=[0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 094(D)— 混合组成批量(组 4)

python3 inference.py --mode batch --seqs "ACGTACGT" "TGCATGCA" "GCGCGCGC" "ATATATAT" "CGCGATGC" "TATAACGT" --compact

输出:

[batch] n=6 输入=(6, 164) 设备=npu:0 精度=float32 耗时=0.018s n_actives=[0,0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 095(D)— 重复序列批量 ×4(确定性)

python3 inference.py --mode batch --seqs "ACGT" "ACGT" "ACGT" "ACGT" --compact

输出:

[batch] n=4 输入=(4, 164) 设备=npu:0 精度=float32 耗时=0.012s n_actives=[0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 096(D)— 重复序列批量 ×8(确定性)

python3 inference.py --mode batch --seqs "ACGT" "ACGT" "ACGT" "ACGT" "ACGT" "ACGT" "ACGT" "ACGT" --compact

输出:

[batch] n=8 输入=(8, 164) 设备=npu:0 精度=float32 耗时=0.022s n_actives=[0,0,0,0,0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 097(D)— 重复 polyG 批量 ×2(确定性)

python3 inference.py --mode batch --seqs "polyG" "polyG" --compact

输出:

[batch] n=2 输入=(2, 164) 设备=npu:0 精度=float32 耗时=0.007s n_actives=[0,0] top1=[dnase_108@0.0000,dnase_108@0.0000]

用例 098(D)— 重复 polyG 批量 ×4(确定性)

python3 inference.py --mode batch --seqs "polyG" "polyG" "polyG" "polyG" --compact

输出:

[batch] n=4 输入=(4, 164) 设备=npu:0 精度=float32 耗时=0.012s n_actives=[0,0,0,0] top1=[dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000,dnase_108@0.0000]

用例 099(E)— GC 含量梯度分析(0% → 100%)

python3 inference.py --mode analyze --gc-sweep --compact

输出:

[analyze] 类型=GC梯度 n=11 设备=npu:0 精度=float32 GC=0%:active=0; GC=10%:active=0; GC=20%:active=0; GC=30%:active=0; GC=40%:active=5; GC=50%:active=164; GC=60%:active=121; GC=70%:active=62; GC=80%:active=31; GC=90%:active=39; GC=100%:active=44

用例 100(E)— 碱基组成偏好分析(polyA/C/G/T)

python3 inference.py --mode analyze --base-profiles --compact

输出:

[analyze] 类型=碱基组成 n=4 设备=npu:0 精度=float32 polyA:active=0; polyC:active=0; polyG:active=5; polyT:active=10

用例 101(E)— GC=20% 定点分析(npu:0, bfloat16)

python3 inference.py --mode predict --seq $(python3 -c "print('CGCATATGTACTAACTAGAGCTATTCATTTTACTTAGTTTTTAATAATTAAATAATGATCTGGATGACACATCTACTTAACTTCTTCTTCATATCCACTATAAAATATATTTTCAGTTCTATTTTAAAGGACTATGCTATTATTAATTTTAATAATTCTATATAATAGCTTCCATTTATTTTTTCTTCAGAATACTAAATAATGTTTTTAGTAATTATTTTTACAAATATTAAATAAAAGTAAAATATTCGTAAATTTTGACATATTAACATTTTTCACAATTAAAATTAAAATAAAAATGCGCTAATTTTCACTTCATTGTATAATTATTCACTATAGATTAAACTACACAGATTTTAACTAGGTATTTATATACAAGAATAGATTTAAGAGGTACGAACAATCATTTTTTAGAAATAAATTAGAACCTAAGAAGTTTTACTGGGAAGAATAAAGAGTTGTCTGTTTTATAAGAAAATTATTTATAGAACTATGTATATAAATAATATATTTTAATAGAAAATTGAGTTATGATGTTTATATCATTAAATTAATTAGATAAAATAAATATATACAGGCTGAAAGTTCTGAATATATGAT')") --name GC_20 --dtype bfloat16 --compact

输出:

[predict] seq=GC_20 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=0 mean_p=0.0066 max_p=0.1571 top=dnase_4@0.1571,dnase_29@0.1530,dnase_59@0.1160,dnase_160@0.0863,dnase_27@0.0863

用例 102(E)— GC=50% 定点分析(npu:0, bfloat16)

python3 inference.py --mode predict --seq $(python3 -c "print('GATACCCGGCGGTGGGGCGGTAAGCGCCCTTATATCCTACAACCCTGTCGACTAGTATCCAACGTATCCGCATAAGCGTTATACAGGCCCTTTTAGCGTCAATACCTCAGTTGTCGAGTTTTAAGACAAGCTGCCATTGTCTACGGCTCACCTTCGGATGCCTCTCCGGCGTGCTTACAATCGTTTACGTGTGCACGGGACCGGGTGCCACTTAAAGCCTAAGTATGCTGTCCGAATAATGGGCAACGGTACATCATCCGGTACGTTATCCATGTCCAGGCTGTGATATCATGAGGATTGTGCGCGCATACTTTGTGGTCACGAACTAGGTATAACCGGAGAGACACAGAATGATGACAGACCAAACTCGAGGTCGAATCGAACTTTTGACGCATCAAAGGTTCCGCCCTTCAACAGAGGGCCCCCTCCTTTAGTCTACCGGTATCACCATAGCCCGGGTAATAGGGTGAGTCGACGAGTTCGCGATGTGAGGGACGGCCGATTGGATCACGTAGCGGGCGTCTAGTATAAATAGTCATTATTTAACTCTATCTAATTAAGAAAACCAGGGCCGATTAAAGTGATTATATGGCCTCTGCC')") --name GC_50 --dtype bfloat16 --compact

输出:

[predict] seq=GC_50 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=164 mean_p=0.7394 max_p=0.8741 top=dnase_119@0.8741,dnase_111@0.8387,dnase_153@0.8366,dnase_117@0.8322,dnase_79@0.8300

用例 103(E)— GC=80% 定点分析(npu:0, bfloat16)

python3 inference.py --mode predict --seq $(python3 -c "print('GCGGGAGGCGCGCCGGGCGGGCAACGTCCCGCCCGGCCCGCCGGGGTGGGCGGCCGGGCGGCAGCACCGCTCCCCATCGGGCGGAGCCCCGGTGTCGCCTGACCGTCGCCGCGCGGCCCTGGAGGCGCCACCACGTCCCGCGCGTGCTGGTAGCCCGCGCCGGTGCAACCGCGCAGCTCAGACCGGCGGCTAGGGCCGCGGCCGCTCCCGGACCCCCAGACGCAGGGAGTTGCACGGCGGGCCGACTCTCCCCAGCGACAGCACTCGGGGCGGCCCCTTGGCGGTCCAAGGGCCTGGCGAGGCCCTGCTGGCTGGTCTCCCGGCCCCGCCCGGCGGGGCCCCGGTCCGGGGTCGCGGGCCCAGAACGGGATGGACGCCCCCCGGGCGCGGGGGCCGGACCGAGCAGTTCGGTGGTAACAGCCTGGTGGAACCGCGGCGGTCCGCGCCCCGGGCGGACCCAGCGGCCAGTTGCATGGGGGCCAGTGGCCCGCCGCCCGAGGCGTCCCGGCGTGGGGCCTCTCGGGCCCTGGTGGGGTTGCCCGGGCGCGACACCTCAGGGACGCGCCGCGACCGCCCCCTCCGGTATTGCACACCATGCTC')") --name GC_80 --dtype bfloat16 --compact

输出:

[predict] seq=GC_80 输入=(1,600) 设备=npu:0 精度=bfloat16 耗时=0.006s n_active=26 mean_p=0.2350 max_p=0.8007 top=dnase_113@0.8007,dnase_21@0.7732,dnase_116@0.7447,dnase_119@0.7326,dnase_115@0.7114

用例 104(E)— GC=30% 定点分析(npu:1, float32)

python3 inference.py --mode predict --seq $(python3 -c "print('AATGATTCTAAAACATTCAGTTAATTGATGCAATAATATTTAAAAACGAGTATTTAACCATTACATTGAGAATCGGGATTCAATAGTATGTCGAAAATGATATAGATCCCATTTTTTTAATTCGTCAGGAATCCCGCTCTAATCAGTGTTAAAACACTTGAACTTATTGATCCTTATGCTATTCATCTAATGATCATTAGTGTCATTGATTAAAAAAATACCATCTAGCCCATTACTTTCAATTGGAAAATTAAAGTGAGTCATAAATTTGCATAGGTATTGTAATTATGGGTAAATTTGATCTCTTATATCGCTATCCATTACTCGCTTTATTGTCTCAAACAGGACCAAATTTACATACAATCATCGTTCCTTTATAATACGGACAAATTATTAATCTCTGGCTGTATGCGAGGTGAAAATGTTATCTAGTTATATGGTCTTTTAGAATTGCGGATGACAATATAGAGAGTCCATGCCATGAGCAAATAAATAGAGCACCTAAGATAGTTCTATTTCTAACCTTAAAAATTAAAGTATTTCCGTAACATTTTTATACTCAATAAATTGTATGAAAGTAGGTATATGAATGGGGATCAT')") --name GC_30 --device npu:1 --compact

输出:

[predict] seq=GC_30 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=0 mean_p=0.0091 max_p=0.1655 top=dnase_4@0.1655,dnase_29@0.1632,dnase_27@0.0956,dnase_59@0.0942,dnase_26@0.0637

用例 105(E)— GC=70% 定点分析(npu:1, float32)

python3 inference.py --mode predict --seq $(python3 -c "print('TGGAGACCCCCGGATGTGTCTGGCGGAGGCAAGCCGGGCCCCCGCTGAACACCGCGCGCACGGCCAACCTGAGCTGGACGCCTGCAGCGCGTGGTATCAGCGCGCGGGGCCGGGTGCTCAGGGGGGTGAGGCTGTACCTTGGCACGCCCAGCCCCGTAGGCTTGTACCTCGTCGGCGGCCCTCTACAGACTACCCCCCTCTTGTGGGGCCGCCAGCAAGGTCCGTATCCCGACCGGCGGGTAAACGTCGGTTGCCGTCGCGCGCGGGCAGCGGATGGGTACGGTAGAAGGACGATAGCCCATTGGCGTACCGGGCAAGCTTCCCCGGGACCCCGGGGTCATCCCAGGCGGGCCTCAAGGTGACACTGTCTGGGTCAGCCGAGCCGCTGCTGGTCCTCGCCCGTGGTGTACGGGAGCGTGCGTCTCAACACCCCGGCCAGTCGGTGGCAAGCAACGCCCCCCGGGGATGTCGCGCGACAAGGGAGTCCTGGCGCCCCGACTCCGGTTCACGCGAAGCTAACTGCTCCTCGGGCCGCCCGAGCGTGGCGCCTACGCCAGTCTTGACCGCGCATGCGCCAGCAACGATTGACGCGTCGCCAGT')") --name GC_70 --device npu:1 --compact

输出:

[predict] seq=GC_70 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=149 mean_p=0.6824 max_p=0.9475 top=dnase_113@0.9475,dnase_21@0.8923,dnase_119@0.8917,dnase_13@0.8907,dnase_124@0.8813

用例 106(E)— GC=100% 定点分析(npu:1, float32)

python3 inference.py --mode predict --seq $(python3 -c "print('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')") --name GC_100 --device npu:1 --compact

输出:

[predict] seq=GC_100 输入=(1,600) 设备=npu:1 精度=float32 耗时=0.006s n_active=51 mean_p=0.3028 max_p=0.9531 top=dnase_116@0.9531,dnase_21@0.9495,dnase_119@0.9382,dnase_113@0.9345,dnase_117@0.9334

用例 107(E)— 阈值敏感性 --threshold 0.1(ACGT)

python3 inference.py --mode predict --pattern ACGT --threshold 0.1 --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=6 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 108(E)— 阈值敏感性 --threshold 0.3(ACGT)

python3 inference.py --mode predict --pattern ACGT --threshold 0.3 --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=3 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 109(E)— 阈值敏感性 --threshold 0.7(ACGT)

python3 inference.py --mode predict --pattern ACGT --threshold 0.7 --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.008s n_active=1 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 110(E)— 阈值敏感性 --threshold 0.9(ACGT)

python3 inference.py --mode predict --pattern ACGT --threshold 0.9 --compact

输出:

[predict] seq=ACGT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=1 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 111(F)— NPU-vs-CPU 一致性(ACGT)

python3 inference.py --mode selftest --pattern ACGT --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=ACGT max_abs_diff=5.31e-02 一致=True

用例 112(F)— NPU-vs-CPU 一致性(polyG)

python3 inference.py --mode selftest --pattern polyG --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=polyG max_abs_diff=1.14e-03 一致=True

用例 113(F)— NPU-vs-CPU 一致性(GC50)

python3 inference.py --mode selftest --pattern GC50 --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=GC50 max_abs_diff=6.67e-03 一致=True

用例 114(F)— NPU-vs-CPU 一致性(N600)

python3 inference.py --mode selftest --pattern N600 --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=N600 max_abs_diff=7.96e-03 一致=True

用例 115(F)— 跨 dtype 一致性 fp32-vs-bf16/fp16(ACGT)

python3 inference.py --mode selftest --pattern ACGT --dtype-sweep --compact

输出:

[selftest] 对比=fp32-vs-bfloat16 序列=ACGT max_abs_diff=3.30e+00 判定=预期差异(模型大动态范围固有)
[selftest] 对比=fp32-vs-float16 序列=ACGT max_abs_diff=5.84e-01 判定=预期差异(模型大动态范围固有)

用例 116(F)— 跨 dtype 一致性 fp32-vs-bf16/fp16(polyC)

python3 inference.py --mode selftest --pattern polyC --dtype-sweep --compact

输出:

[selftest] 对比=fp32-vs-bfloat16 序列=polyC max_abs_diff=1.73e-01 判定=预期差异(模型大动态范围固有)
[selftest] 对比=fp32-vs-float16 序列=polyC max_abs_diff=8.08e-02 判定=预期差异(模型大动态范围固有)

用例 117(F)— 跨设备一致性 npu0-vs-npu1(ACGT)

python3 inference.py --mode selftest --pattern ACGT --device-sweep --compact

输出:

[selftest] 对比=npu0-vs-npu1 序列=ACGT max_abs_diff=0.00e+00 一致=True

用例 118(F)— 跨设备一致性 npu0-vs-npu1(polyC)

python3 inference.py --mode selftest --pattern polyC --device-sweep --compact

输出:

[selftest] 对比=npu0-vs-npu1 序列=polyC max_abs_diff=0.00e+00 一致=True

用例 119(F)— 跨设备一致性 npu0-vs-npu1(GC50)

python3 inference.py --mode selftest --pattern GC50 --device-sweep --compact

输出:

[selftest] 对比=npu0-vs-npu1 序列=GC50 max_abs_diff=0.00e+00 一致=True

用例 120(F)— NPU-vs-CPU 一致性(p53)

python3 inference.py --mode selftest --gene p53 --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=p53 max_abs_diff=3.44e-03 一致=True

用例 121(F)— NPU-vs-CPU 一致性(TERT)

python3 inference.py --mode selftest --gene TERT --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=TERT max_abs_diff=4.13e-03 一致=True

用例 122(F)— NPU-vs-CPU 一致性(INS)

python3 inference.py --mode selftest --gene INS --cpu-npu --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=INS max_abs_diff=4.78e-03 一致=True

用例 123(F)— 模型结构 / 参数量信息

python3 inference.py --mode selftest --pattern ACGT --info --compact

输出:

[selftest] 模型信息: 参数量=4,135,064 可训练=4,135,064 num_labels=164 hidden_size=1000 conv_channels=[300, 200, 200] conv_kernel_sizes=[19, 11, 7] conv_pool_sizes=[3, 4, 4] fc_sizes=[1000, 1000] sequence_length=600 vocab_size=4 output_channels=164

用例 124(F)— 全部自检项(--all)

python3 inference.py --mode selftest --pattern GC50 --all --compact

输出:

[selftest] 对比=NPU-vs-CPU 序列=GC50 max_abs_diff=6.67e-03 一致=True
[selftest] 对比=fp32-vs-bfloat16 序列=GC50 max_abs_diff=2.00e-01 判定=预期差异(模型大动态范围固有)
[selftest] 对比=fp32-vs-float16 序列=GC50 max_abs_diff=1.90e-01 判定=预期差异(模型大动态范围固有)
[selftest] 对比=npu0-vs-npu1 序列=GC50 max_abs_diff=0.00e+00 一致=True
[selftest] 模型信息: 参数量=4,135,064 可训练=4,135,064 num_labels=164 hidden_size=1000 conv_channels=[300, 200, 200] conv_kernel_sizes=[19, 11, 7] conv_pool_sizes=[3, 4, 4] fc_sizes=[1000, 1000] sequence_length=600 vocab_size=4 output_channels=164

用例 125(G)— 短序列自动补齐(ATCG, 4→600 bp)

python3 inference.py --mode predict --seq ATCG --name short_ATCG --compact

输出:

[predict] seq=short_ATCG 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 126(G)— 超长序列自动截断(ACGT×175=700→600 bp)

python3 inference.py --mode predict --seq $(python3 -c "print('ACGT'*175)") --name long_700 --compact

输出:

[predict] seq=long_700 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 127(G)— 恰好 600 bp(GATTACA×86=602→600 bp 截断)

python3 inference.py --mode predict --seq $(python3 -c "print('GATTACA'*86)") --name exact_602_trunc --compact

输出:

[predict] seq=exact_602_trunc 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0137 max_p=0.9121 top=dnase_108@0.9121,dnase_131@0.9090,dnase_55@0.2956,dnase_26@0.0549,dnase_106@0.0409

用例 128(G)— 小写序列(自动大写)

python3 inference.py --mode predict --seq $(python3 -c "print('acgt'*150)") --name lowercase --compact

输出:

[predict] seq=lowercase 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 129(G)— IUPAC 简并碱基序列(映射到 N/unk)

python3 inference.py --mode predict --pattern iupac --name iupac --compact

输出:

[predict] seq=iupac 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 130(G)— U→T 替换(ACGU×150)

python3 inference.py --mode predict --seq $(python3 -c "print('ACGU'*150)") --name u_to_t --compact

输出:

[predict] seq=u_to_t 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 131(G)— 含 N 序列(N600,全未知碱基)

python3 inference.py --mode predict --pattern N600 --name N600 --compact

输出:

[predict] seq=N600 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 132(G)— 非 DNA 字符(ZQXF→unk 映射)

python3 inference.py --mode predict --seq $(python3 -c "print('ZQXF'*150)") --name unknown --compact

输出:

[predict] seq=unknown 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.018s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 133(G)— 混合大小写(aCgT×150)

python3 inference.py --mode predict --seq $(python3 -c "print('aCgT'*150)") --name mixed_case --compact

输出:

[predict] seq=mixed_case 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=2 mean_p=0.0158 max_p=0.9920 top=dnase_29@0.9920,dnase_148@0.5657,dnase_121@0.3798,dnase_147@0.1788,dnase_134@0.1366

用例 134(G)— 空序列错误(--seq 空 + --no-pad)

python3 inference.py --mode predict --seq "" --no-pad --compact

输出:

[ERROR] exit=1 ValueError: predict 模式需要 --seq / --gene / --pattern 提供 DNA 序列

用例 135(G)— 短序列错误(ACGT + --no-pad)

python3 inference.py --mode predict --seq ACGT --no-pad --compact

输出:

[ERROR] exit=1 ValueError: 输入序列仅 4 bp,--no-pad 禁止自动补齐,期望 600 bp。

用例 136(G)— batch 无序列错误(缺少 --seqs/--seq-file)

python3 inference.py --mode batch --compact

输出:

[ERROR] exit=1 ValueError: 批量预测需要提供至少一个序列(--seqs 或 --seq-file)

用例 137(G)— 阈值 --threshold 0.3(TERT 真基因)

python3 inference.py --mode predict --gene TERT --threshold 0.3 --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0037 top=dnase_148@0.0037,dnase_108@0.0031,dnase_147@0.0003,dnase_26@0.0001,dnase_92@0.0000

用例 138(G)— 阈值 --threshold 0.9(TERT 真基因)

python3 inference.py --mode predict --gene TERT --threshold 0.9 --compact

输出:

[predict] seq=TERT 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.005s n_active=0 mean_p=0.0000 max_p=0.0037 top=dnase_148@0.0037,dnase_108@0.0031,dnase_147@0.0003,dnase_26@0.0001,dnase_92@0.0000

用例 139(G)— pad token 序列(600 个 N,全占位)

python3 inference.py --mode predict --seq $(python3 -c "print('N'*600)") --name N600 --compact

输出:

[predict] seq=N600 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.004s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 140(G)— dot 序列(600 个 '.',非 DNA 字符)

python3 inference.py --mode predict --seq $(python3 -c "print('.'*600)") --name dot600 --compact

输出:

[predict] seq=dot600 输入=(1,600) 设备=npu:0 精度=float32 耗时=0.006s n_active=0 mean_p=0.0000 max_p=0.0000 top=dnase_108@0.0000,dnase_148@0.0000,dnase_55@0.0000,dnase_147@0.0000,dnase_131@0.0000

用例 141(G)— Tokenizer 检查(词表 / 特殊 token)

python3 inference.py --mode tokenize --seq ACGT --compact

输出:

[tokenize] vocab=5 pad=N/4 unk=N/4 max_len=600 seq='ACGT' ids=[0, 1, 2, 3]

用例 142(G)— Tokenizer 检查(IUPAC 简并碱基 → N/unk)

python3 inference.py --mode tokenize --seq RYWSKMBVDH --compact

输出:

[tokenize] vocab=5 pad=N/4 unk=N/4 max_len=600 seq='RYWSKMBVDH' ids=[4, 4, 4, 4, 4, 4, 4, 4, 4, 4]

用例 143(G)— Tokenizer 检查(小写 / U)

python3 inference.py --mode tokenize --seq acgu --compact

输出:

[tokenize] vocab=5 pad=N/4 unk=N/4 max_len=600 seq='acgu' ids=[0, 1, 2, 3]

9. 关键实现说明

  • 引擎选型:Basset 为 1D CNN 非自回归模型(非 LLM),vLLM-Ascend / sglang 无法托管, 故采用 torch_npu 推理引擎 + multimolecule 库加载权重并在 NPU 上执行前向1。
  • transformers 5.x 适配:multimolecule 0.2.1 的 modeling 代码依赖 transformers 5.x API(TransformersKwargs / capture_outputs / can_return_tuple / transformers.initialization),因此 venv 内安装 transformers==5.9.0 覆盖系统 4.57.6;import multimolecule 方可成功。
  • NPU 部署:模型通过 .to("npu:0") / .to("npu:1") 转移到 Ascend 910B;device_map 不适用于 NPU,需手动指定设备。
  • 固定 600 bp:normalize_seq 统一大写、U→T 替换,不足 600 bp 用 pad token N 补齐、超长截断;--no-pad 可关闭补齐以复现错误路径。
  • N 的 one-hot 编码:BassetEmbedding 将 N(id 4,超出 vocab_size=4)标记为 invalid, 编码为全零向量,即 N 碱基对特征无贡献;IUPAC 简并碱基(R/Y/S/W/K/M/B/D/H/V)在 DnaTokenizer 中映射到 N/unk。
  • 多标签输出:SequencePredictionHead 输出 (batch, 164) logit,sigmoid 得到 164 个 ENCODE track 的可及性概率;--threshold 控制活跃 track 判定,--topk 控制 Top-k 展示。
  • 数值一致性:npu:0 与 npu:1 输出完全一致(max_abs_diff = 0);NPU 与 CPU float32 一致(max_abs_diff ≈ 5e-2,Ascend 融合算子浮点累加差异,由 FC 大动态范围放大)。
  • 精度建议:模型 config dtype: float32,FC 层激活实测可达 ~2600;bf16/fp16 下 该模型存在模型固有的精度损失(CPU 上 fp32-vs-bf16 亦达 ~4),推荐 float322。

10. 参考资料

  • Basset 论文(Kelley et al. 2016)
  • multimolecule/basset(HuggingFace)
  • MultiMolecule 项目
  • MultiMolecule 仓库
  • torch_npu(Gitee)


贡献者: zzstudio | 赛道: 模型适配赛道

NPU 标签:本仓库适配昇腾 NPU(Ascend 910B)推理,hardware: NPU。

Footnotes

  1. Basset 为 1D 卷积判别式序列预测模型,输入 600 bp DNA 输出 164 维 DNase I 可及性概率;不是自回归 LLM,因此使用 torch_npu 推理引擎而非 vLLM-Ascend / sglang。 ↩ ↩2

  2. Basset 的 FC 层激活动态范围极大(实测可达 ~2600,超出 bf16/fp16 的 有效精度),半精度下 logit 偏差为模型固有属性:CPU 上 fp32-vs-bf16 max_abs_diff ≈ 4,NPU 上 ≈ 3.3;float32 为该模型的推荐推理精度(与模型 config dtype: float32 一致)。 ↩ ↩2 ↩3

  3. 如需镜像源安装依赖,请使用 -i https://pypi.tuna.tsinghua.edu.cn/simple 或 -i https://mirrors.aliyun.com/pypi/simple;模型下载可配 HF_ENDPOINT=https://hf-mirror.com。 ↩