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。
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 tokenN,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。
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| 组件 | 版本 |
|---|---|
| 操作系统 | Linux aarch64(openEuler / HCE) |
| 昇腾 NPU | Ascend 910B × 2(Ascend910_9362) |
| CANN | 8.5.1(V100R001C25SPC002B220) |
| Python | 3.11.14 |
| PyTorch | 2.9.0+cpu(昇腾本地编译,算子运行在 NPU) |
| torch_npu | 2.9.0.post1+gitee7ba04 |
| transformers | 5.9.0(multimolecule 0.2.1 依赖 transformers 5.x API) |
| multimolecule | 0.2.1(Basset 模型实现库) |
| danling | 0.4.4 |
| chanfig | 0.0.117 |
| torchmetrics | 1.9.0 |
| tokenizers | 0.22.2 |
| huggingface_hub | 1.28.0 |
| numpy | 1.26.4 |
| safetensors | 0.7.0 |
完整依赖见 requirements.txt。
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 |
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)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 ✅。
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# 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# 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# 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 --allpython3 inference.py --mode tokenize --seq RYWSKMBVDH| 参数 | 默认值 | 说明 |
|---|---|---|
--mode | predict | 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-pad | False | 禁止自动补齐(输入不足 600 bp 时抛错) |
--threshold | 0.5 | 活跃 track 判定阈值 |
--topk | 5 | Top-k track 展示数量 |
--dtype | float32 | 推理精度:float32(推荐) / bfloat16 / float16 |
--device | npu:0 | 推理设备(npu:0 / npu:1 / cpu) |
--seed | 42 | 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-profiles | False | analyze 模式分析类型 |
--cpu-npu / --dtype-sweep / --device-sweep / --info / --all | False | selftest 模式检查项 |
| 序列 | GC | n_active | mean_p | max_p | top1 track |
|---|---|---|---|---|---|
| ACGT×150(重复序列) | 50% | 2 | 0.0158 | 0.9920 | dnase_29 |
| GC×300(GC 重复) | 100% | 24 | 0.1674 | 0.9895 | dnase_53 |
| polyT(T×600) | 0% | 10 | 0.2676 | 0.6406 | dnase_120 |
| polyG(G×600) | 100% | 5 | 0.1128 | 0.6353 | dnase_21 |
| polyC(C×600) | 100% | 0 | 0.0117 | 0.1681 | dnase_21 |
| polyA(A×600) | 0% | 0 | 0.0035 | 0.0784 | dnase_72 |
| AT×300(AT 重复) | 0% | 0 | 0.0091 | 0.1900 | dnase_4 |
| 全 N(未知碱基占位) | — | 0 | 0.0000 | 0.0000 | dnase_108 |
| 随机 DNA(seed=42) | 50% | 164 | 0.7906 | 0.9280 | dnase_147 |
| 真基因 p53 外显子 | 62% | 0 | 0.0003 | 0.0402 | dnase_108 |
| 真基因 CFTR | 62% | 0 | 0.0003 | 0.0489 | dnase_108 |
| 真基因 EBOV | 46% | 0 | 0.0005 | 0.0578 | dnase_148 |
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。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。
| 类别 | 编号 | 说明 | 数量 |
|---|---|---|---|
| A | 001–003 | 环境自检(双卡 / 指定可见卡) | 3 |
| B | 004–055 | 真基因单序列预测(13 基因 × 精度 × 设备) | 52 |
| C | 056–084 | 合成/随机序列预测(模板 / 随机种子 / 含 N / IUPAC) | 29 |
| D | 085–098 | 批量预测(批量大小 / 混合组成 / 确定性) | 14 |
| E | 099–110 | 序列组成分析(GC 梯度 / 碱基偏好 / 阈值敏感性) | 12 |
| F | 111–124 | 一致性自检(NPU-CPU / 跨 dtype / 跨设备 / 模型信息) | 14 |
| G | 125–143 | 边界、Tokenizer 与错误处理 | 19 |
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=TrueASCEND_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=TrueASCEND_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=Truepython3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0012python3 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@0.0002python3 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@0.0021python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0009python3 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@0.0001python3 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@0.0018python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0012python3 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@0.0002python3 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@0.0020python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0012python3 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@0.0002python3 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@0.0021python3 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@0.0225python3 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@0.0689python3 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@0.5288python3 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@0.5708python3 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@0.1366python3 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@0.9617python3 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@0.1216python3 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@0.0000python3 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@0.8838python3 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@0.8796python3 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@0.9733python3 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@0.4205python3 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@0.8532python3 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@0.4924python3 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@0.6812python3 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@0.5294python3 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@0.7857python3 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@0.7533python3 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@0.2007python3 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@0.7877python3 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@0.5682python3 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@0.6314python3 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@0.6392python3 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@0.6834python3 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@0.0675python3 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@0.5361python3 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@0.0336python3 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@0.0000python3 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@0.0000python3 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]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]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]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]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]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]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]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]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]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]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]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]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]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]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=44python3 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=10python3 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@0.0863python3 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@0.8300python3 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@0.7114python3 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@0.0637python3 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@0.8813python3 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@0.9334python3 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@0.1366python3 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@0.1366python3 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@0.1366python3 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@0.1366python3 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=Truepython3 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=Truepython3 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=Truepython3 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=Truepython3 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)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)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=Truepython3 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=Truepython3 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=Truepython3 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=Truepython3 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=Truepython3 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=Truepython3 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=164python3 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=164python3 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@0.0000python3 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@0.1366python3 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@0.0409python3 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@0.1366python3 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@0.0000python3 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@0.1366python3 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@0.0000python3 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@0.0000python3 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@0.1366python3 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。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)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@0.0000python3 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@0.0000python3 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@0.0000python3 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@0.0000python3 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]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]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]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。.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。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。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。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。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。
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
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
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。 ↩