z
zzstudio/openspliceai-zebrafish.2000-NPU
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

multimolecule/openspliceai-zebrafish.2000 昇腾 NPU 部署

在昇腾 NPU(Ascend 910B)上部署 MultiMolecule 的 OpenSpliceAI(斑马鱼 variant, 2,000 nt 侧翼上下文)pre-mRNA 剪切位点预测模型(1D 扩张残差 CNN,12 层 残差块,3 级扩张),通过 torch_npu 昇腾推理引擎完成可变长 pre-mRNA 序列 → 每个核苷酸位置三分类(acceptor / donor / neither)剪切位点预测。 部署过程已完成 164 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: 2026-08-23

OpenSpliceAI 是 SpliceAI(Jaganathan et al., Cell 2019) 的原生 PyTorch 模块化重实现,用于从 pre-mRNA 核苷酸序列预测 RNA 剪切位点。 MultiMolecule 团队的非官方实现 multimolecule/openspliceai-zebrafish.2000 (架构类 OpenSpliceAiForTokenPrediction)为斑马鱼(Zebrafish)物种训练, 使用 2,000 nt 侧翼上下文窗口,对每个核苷酸位置输出 3 类 logit (acceptor / donor / neither)。

ℹ️ 模型语义:OpenSpliceAI 为 1D 扩张残差 CNN 判别式序列预测模型,输入 可变长 pre-mRNA 序列,输出每个位置的三分类剪切位点概率;不是生成式 LLM, 不存在文本生成/对话能力。

属性值
模型架构12 层 1D 扩张残差 CNN(3 级扩张:dilation 1/4/10,kernel 11/11/21,每级 4 块)
隐藏维度32
参数量359,043(实测)
权重文件model.safetensors(约 1.4MB,另含兼容的 pytorch_model.bin)
输入可变长 pre-mRNA 序列(RnaTokenizer 词表 A/C/G/U/N;N 视为未知/占位)
输出(batch, seq_len, 3) logit → softmax 概率(acceptor / donor / neither)
侧翼上下文2,000 nt(context=2000,split evenly on both sides)
推理引擎torch_npu(1D 扩张残差 CNN 非自回归判别式模型,vLLM-Ascend / sglang 无法托管1)
许可证AGPL-3.0

2. 目录结构

openspliceai-zebrafish.2000-NPU/
├── inference.py          # 推理脚本(env / predict / batch / analyze / selftest / tokenize 六种模式)
├── gen_tests.py          # 164 组测试用例生成器(命令 + 真实输出 → 第 8 节内容来源)
├── generate_tests.py     # 测试用例生成器(备用)
├── 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(OpenSpliceAI 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/openspliceai-zebrafish.2000 (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/openspliceai-zebrafish.2000 \
  --local-dir /data/models/multimolecule/openspliceai-zebrafish.2000

国内网络环境建议使用国内 pip 镜像与 HF 镜像2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
OPENSPLICAI_MODEL_PATH/data/models/multimolecule/openspliceai-zebrafish.2000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 openspliceai-zebrafish.2000-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 单序列剪切位点预测

内置模型卡基因模板(ncRNA / mRNA / 5'UTR / 3'UTR):

python3 inference.py --mode predict --gene microRNA-21
python3 inference.py --mode predict --gene PRNP
python3 inference.py --mode predict --gene SARS

内置合成序列模板(polyA/polyC/polyG/polyU/ACGU/GC50/AU50/N2000/random/random_n/iupac):

python3 inference.py --mode predict --pattern ACGU
python3 inference.py --mode predict --pattern random --seed 1
python3 inference.py --mode predict --pattern polyA

直接传入 RNA 序列(可变长,自动处理):

python3 inference.py --mode predict --seq "AGCAGUCAUUAUGGCGAA"
python3 inference.py --mode predict --seq "$(python3 -c "print('ACGU'*500)")" --dtype float32 --device npu:1

5.3 批量预测

# 显式多序列
python3 inference.py --mode batch --seqs AUG GCG UUU ACG

# 混合序列
python3 inference.py --mode batch --seqs AGCAGUCAUUAUGGCGAA AUGCACAGCUCAGCACUG

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 / polyU)
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 ACGU --cpu-npu

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

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

5.6 Tokenizer 检查

python3 inference.py --mode tokenize --seq ACGU
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 RNA 序列(可变长,自动处理)
--gene无内置基因模板(28 个:microRNA-21/146a/155, RMRP, 7SK, TERC, vault-RNA-2-1, BC1, HIV-1-TAR, PRNP, IL10, EBOV, SARS, INS, CDKN2A, HPV16-E6, NRAS-5UTR, APP-5UTR, RUNX1-5UTR, FMR1-5UTR, MYC-5UTR, ATF4-5UTR, GPI-3UTR, NPM1-3UTR, SOD1-3UTR, HBA2-3UTR, BRAF-3UTR, H3C1-3UTR)
--pattern无内置合成模板(polyA/polyC/polyG/polyU/ACGU/GC50/AU50/N2000/random/random_n/iupac)
--name无序列展示标签
--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 / random_n / iupac 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
--compactTrue紧凑输出格式
--verboseFalse详细输出

6. 实测结果(Ascend 910B,单卡 float32)

序列长度n_acceptorn_donormean_accmax_accmax_don
ACGU 重复(CpG 周期)2000000.00010.00290.0556
polyA(A×2000)2000000.00000.00000.0000
polyC(C×2000)2000000.00020.01280.0000
polyG(G×2000)2000000.00600.28000.0000
polyU(U×2000)2000000.00020.00080.0000
全 N(未知碱基占位)2000000.00000.00000.0000
随机 DNA(seed=42)2000000.00000.00020.0002
真基因 microRNA-2122000.00010.00060.0000
真基因 SARS382000.00010.00060.0000
真基因 INS333000.00010.00040.0000
真基因 CDKN2A480000.00010.00050.0000
  • 规律:OpenSpliceAI 为剪切位点预测模型,在短序列/microRNA 上几乎没有 acceptor/donor 信号(符合生物学预期:microRNA 不含剪切位点);polyG 序列 有较高的 acceptor 假阳性信号(mean_acc=0.0060, max_acc=0.2800),与 G-rich 序列可能被 CNN 误识别为剪切位点一致。
  • 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 ≈ 2e-3;bf16/fp16 差异较大(max_abs_diff ≈ 0.1),建议使用 float32 精度3。
  • 单条前向耗时约 0.0030.004 s(不含模型加载,2000 nt 输入),模型加载约 12 s。

7. 完整输入输出示例(单序列推理)

以 28 个基因模板为例,完整推理输出如下:

$ python3 inference.py --mode predict --gene microRNA-21

[predict] seq=microRNA-21 输入=(1,22) 设备=npu:0 精度=float32 耗时=0.004s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0006 max_don=0.0000 top5_acc=3@0.0006,11@0.0001,8@0.0001,2@0.0001,4@0.0001

以 ACGU 合成模板为例:

$ python3 inference.py --mode predict --pattern ACGU

[predict] seq=ACGU 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.004s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0556 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0026

输出说明:

  • n_acceptor / n_donor / n_neither:每个位置预测为剪接受体/供体/非剪接位点的数量(argmax 判定)。
  • mean_acc / mean_don:所有位置 acceptor/donor 概率的均值。
  • max_acc / max_don:所有位置 acceptor/donor 概率的最大值。
  • top5_acc:概率最高的 5 个 acceptor 位置(<position>@<probability>)。
  • 每个位置输出 3 个 logit(neither, acceptor, donor),经 softmax 得到概率。

8. 完整测试用例(164 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(69)、C 合成/随机序列预测(47)、 D 批量预测(7)、E 序列组成分析(4)、F 一致性自检(17)、G 边界与 Tokenizer(17), 共 164 组 ≥ 148 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
B004–072真基因单序列预测(28 基因 × 2 dtypes + 13 基因 × npu:1)69
C073–119合成/随机序列预测(模板 / 随机种子 / 含 N / IUPAC)47
D120–126批量预测(批量大小 / 混合组成)7
E127–130序列组成分析(GC 梯度 / 碱基偏好 / 跨精度)4
F131–147一致性自检(NPU-CPU / 跨 dtype / 跨设备 / 模型信息)17
G148–164边界、Tokenizer 与错误处理17

8.2 完整用例与输出

163 组全部用例的实际命令与 NPU 实测输出如下:

用例 001(A)— 环境自检 (双卡 NPU)

输出:


用例 002(A)— 环境自检 (仅可见 NPU 0)

输出:


用例 003(A)— 环境自检 (仅可见 NPU 1)

输出:


用例 004(B)— 基因预测 microRNA-21 (npu:0 float32)

输出:


用例 005(B)— 基因预测 microRNA-21 (npu:0 bfloat16)

输出:


用例 006(B)— 基因预测 microRNA-146a (npu:0 float32)

输出:


用例 007(B)— 基因预测 microRNA-146a (npu:0 bfloat16)

输出:


用例 008(B)— 基因预测 microRNA-155 (npu:0 float32)

输出:


用例 009(B)— 基因预测 microRNA-155 (npu:0 bfloat16)

输出:


用例 010(B)— 基因预测 RMRP (npu:0 float32)

输出:


用例 011(B)— 基因预测 RMRP (npu:0 bfloat16)

输出:


用例 012(B)— 基因预测 7SK (npu:0 float32)

输出:


用例 013(B)— 基因预测 7SK (npu:0 bfloat16)

输出:


用例 014(B)— 基因预测 TERC (npu:0 float32)

输出:


用例 015(B)— 基因预测 TERC (npu:0 bfloat16)

输出:


用例 016(B)— 基因预测 vault-RNA-2-1 (npu:0 float32)

输出:


用例 017(B)— 基因预测 vault-RNA-2-1 (npu:0 bfloat16)

输出:


用例 018(B)— 基因预测 BC1 (npu:0 float32)

输出:


用例 019(B)— 基因预测 BC1 (npu:0 bfloat16)

输出:


用例 020(B)— 基因预测 HIV-1-TAR (npu:0 float32)

输出:


用例 021(B)— 基因预测 HIV-1-TAR (npu:0 bfloat16)

输出:


用例 022(B)— 基因预测 PRNP (npu:0 float32)

输出:


用例 023(B)— 基因预测 PRNP (npu:0 bfloat16)

输出:


用例 024(B)— 基因预测 IL10 (npu:0 float32)

输出:


用例 025(B)— 基因预测 IL10 (npu:0 bfloat16)

输出:


用例 026(B)— 基因预测 EBOV (npu:0 float32)

输出:


用例 027(B)— 基因预测 EBOV (npu:0 bfloat16)

输出:


用例 028(B)— 基因预测 SARS (npu:0 float32)

输出:


用例 029(B)— 基因预测 SARS (npu:0 bfloat16)

输出:


用例 030(B)— 基因预测 INS (npu:0 float32)

输出:


用例 031(B)— 基因预测 INS (npu:0 bfloat16)

输出:


用例 032(B)— 基因预测 CDKN2A (npu:0 float32)

输出:


用例 033(B)— 基因预测 CDKN2A (npu:0 bfloat16)

输出:


用例 034(B)— 基因预测 HPV16-E6 (npu:0 float32)

输出:


用例 035(B)— 基因预测 HPV16-E6 (npu:0 bfloat16)

输出:


用例 036(B)— 基因预测 NRAS-5UTR (npu:0 float32)

输出:


用例 037(B)— 基因预测 NRAS-5UTR (npu:0 bfloat16)

输出:


用例 038(B)— 基因预测 APP-5UTR (npu:0 float32)

输出:


用例 039(B)— 基因预测 APP-5UTR (npu:0 bfloat16)

输出:


用例 040(B)— 基因预测 RUNX1-5UTR (npu:0 float32)

输出:


用例 041(B)— 基因预测 RUNX1-5UTR (npu:0 bfloat16)

输出:


用例 042(B)— 基因预测 FMR1-5UTR (npu:0 float32)

输出:


用例 043(B)— 基因预测 FMR1-5UTR (npu:0 bfloat16)

输出:


用例 044(B)— 基因预测 MYC-5UTR (npu:0 float32)

输出:


用例 045(B)— 基因预测 MYC-5UTR (npu:0 bfloat16)

输出:


用例 046(B)— 基因预测 ATF4-5UTR (npu:0 float32)

输出:


用例 047(B)— 基因预测 ATF4-5UTR (npu:0 bfloat16)

输出:


用例 048(B)— 基因预测 GPI-3UTR (npu:0 float32)

输出:


用例 049(B)— 基因预测 GPI-3UTR (npu:0 bfloat16)

输出:


用例 050(B)— 基因预测 NPM1-3UTR (npu:0 float32)

输出:


用例 051(B)— 基因预测 NPM1-3UTR (npu:0 bfloat16)

输出:


用例 052(B)— 基因预测 SOD1-3UTR (npu:0 float32)

输出:


用例 053(B)— 基因预测 SOD1-3UTR (npu:0 bfloat16)

输出:


用例 054(B)— 基因预测 HBA2-3UTR (npu:0 float32)

输出:


用例 055(B)— 基因预测 HBA2-3UTR (npu:0 bfloat16)

输出:


用例 056(B)— 基因预测 BRAF-3UTR (npu:0 float32)

输出:


用例 057(B)— 基因预测 BRAF-3UTR (npu:0 bfloat16)

输出:


用例 058(B)— 基因预测 H3C1-3UTR (npu:0 float32)

输出:


用例 059(B)— 基因预测 H3C1-3UTR (npu:0 bfloat16)

输出:


用例 060(B)— 基因预测 microRNA-21 (npu:1 float32)

输出:


用例 061(B)— 基因预测 microRNA-146a (npu:1 float32)

输出:


用例 062(B)— 基因预测 microRNA-155 (npu:1 float32)

输出:


用例 063(B)— 基因预测 RMRP (npu:1 float32)

输出:


用例 064(B)— 基因预测 7SK (npu:1 float32)

输出:


用例 065(B)— 基因预测 TERC (npu:1 float32)

输出:


用例 066(B)— 基因预测 vault-RNA-2-1 (npu:1 float32)

输出:


用例 067(B)— 基因预测 BC1 (npu:1 float32)

输出:


用例 068(B)— 基因预测 HIV-1-TAR (npu:1 float32)

输出:


用例 069(B)— 基因预测 PRNP (npu:1 float32)

输出:


用例 070(B)— 基因预测 IL10 (npu:1 float32)

输出:


用例 071(B)— 基因预测 EBOV (npu:1 float32)

输出:


用例 072(B)— 基因预测 SARS (npu:1 float32)

输出:


用例 073(C)— 合成模板 polyA (npu:0 float32)

输出:


用例 074(C)— 合成模板 polyA (npu:0 bfloat16)

输出:


用例 075(C)— 合成模板 polyC (npu:0 float32)

输出:


用例 076(C)— 合成模板 polyC (npu:0 bfloat16)

输出:


用例 077(C)— 合成模板 polyG (npu:0 float32)

输出:


用例 078(C)— 合成模板 polyG (npu:0 bfloat16)

输出:


用例 079(C)— 合成模板 polyU (npu:0 float32)

输出:


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

输出:


用例 081(C)— 合成模板 ACGU (npu:0 float32)

输出:


用例 082(C)— 合成模板 ACGU (npu:0 bfloat16)

输出:


用例 083(C)— 合成模板 GC50 (npu:0 float32)

输出:


用例 084(C)— 合成模板 GC50 (npu:0 bfloat16)

输出:


用例 085(C)— 合成模板 AU50 (npu:0 float32)

输出:


用例 086(C)— 合成模板 AU50 (npu:0 bfloat16)

输出:


用例 087(C)— 合成模板 N2000 (npu:0 float32)

输出:


用例 088(C)— 合成模板 N2000 (npu:0 bfloat16)

输出:


用例 089(C)— random seed=1 (npu:0 float32)

输出:


用例 090(C)— random seed=2 (npu:0 float32)

输出:


用例 091(C)— random seed=3 (npu:0 float32)

输出:


用例 092(C)— random seed=4 (npu:0 float32)

输出:


用例 093(C)— random seed=5 (npu:0 float32)

输出:


用例 094(C)— random seed=6 (npu:0 float32)

输出:


用例 095(C)— random seed=7 (npu:0 float32)

输出:


用例 096(C)— random seed=8 (npu:0 float32)

输出:


用例 097(C)— random seed=9 (npu:0 float32)

输出:


用例 098(C)— random seed=10 (npu:0 float32)

输出:


用例 099(C)— random_n seed=11 (npu:0 float32)

输出:


用例 100(C)— random_n seed=12 (npu:0 float32)

输出:


用例 101(C)— random_n seed=13 (npu:0 float32)

输出:


用例 102(C)— random_n seed=14 (npu:0 float32)

输出:


用例 103(C)— random_n seed=15 (npu:0 float32)

输出:


用例 104(C)— random_n seed=16 (npu:0 float32)

输出:


用例 105(C)— random_n seed=17 (npu:0 float32)

输出:


用例 106(C)— random_n seed=18 (npu:0 float32)

输出:


用例 107(C)— random_n seed=19 (npu:0 float32)

输出:


用例 108(C)— random_n seed=20 (npu:0 float32)

输出:


用例 109(C)— iupac (npu:0 float32)

输出:


用例 110(C)— 合成模板 polyA (npu:1 float32)

输出:


用例 111(C)— 合成模板 polyC (npu:1 float32)

输出:


用例 112(C)— 合成模板 polyG (npu:1 float32)

输出:


用例 113(C)— 合成模板 polyU (npu:1 float32)

输出:


用例 114(C)— 合成模板 ACGU (npu:1 float32)

输出:


用例 115(C)— 合成模板 N2000 (npu:1 float32)

输出:


用例 116(C)— 合成模板 ACGU (npu:0 float16)

输出:


用例 117(C)— 合成模板 polyA (npu:0 float16)

输出:


用例 118(C)— 合成模板 N2000 (npu:0 float16)

输出:


用例 119(D)— batch size=1

输出:


用例 120(D)— batch size=2

输出:


用例 121(D)— batch size=4

输出:


用例 122(D)— batch size=8

输出:


用例 123(D)— batch mixed

输出:


用例 124(D)— batch gene seqs

输出:


用例 125(D)— batch mixed (npu:1)

输出:


用例 126(E)— GC梯度分析 (npu:0 float32)

输出:


用例 127(E)— 碱基偏好分析 (npu:0 float32)

输出:


用例 128(E)— GC梯度分析 (npu:0 bfloat16)

输出:


用例 129(E)— 碱基偏好分析 (npu:1 float32)

输出:


用例 130(F)— NPU-CPU 一致性 ACGU

输出:


用例 131(F)— NPU-CPU 一致性 polyA

输出:


用例 132(F)— NPU-CPU 一致性 polyC

输出:


用例 133(F)— NPU-CPU 一致性 polyG

输出:


用例 134(F)— NPU-CPU 一致性 polyU

输出:


用例 135(F)— NPU-CPU 一致性 GC50

输出:


用例 136(F)— NPU-CPU 一致性 N2000

输出:


用例 137(F)— dtype-sweep ACGU

输出:


用例 138(F)— dtype-sweep polyA

输出:


用例 139(F)— dtype-sweep polyG

输出:


用例 140(F)— device-sweep ACGU

输出:


用例 141(F)— device-sweep polyA

输出:


用例 142(F)— device-sweep polyG

输出:


用例 143(F)— device-sweep polyC

输出:


用例 144(F)— device-sweep polyU

输出:


用例 145(F)— 模型信息

输出:


用例 146(F)— 全部自检 ACGU

输出:


用例 148(G)— tokenize ACGU

输出:


用例 149(G)— tokenize IUPAC

输出:


用例 150(G)— tokenize lowercase

输出:


用例 151(G)— 短序列 1nt

输出:


用例 152(G)— 短序列 4nt

输出:


用例 153(G)— 长序列 5000nt

输出:


用例 154(G)— N 占位序列

输出:


用例 155(G)— 小写序列

输出:


用例 156(G)— U→T 替换

输出:


用例 157(G)— 非RNA字符

输出:


用例 158(G)— npu:1 bfloat16 ACGU

输出:


用例 159(G)— CpG 富集

输出:


用例 160(G)— AU 重复

输出:


用例 161(G)— dot 非碱基

输出:


用例 162(G)— 未知基因错误

输出:


用例 163(G)— polyG (npu:0 float16)

输出:


用例 164(G)— polyU (npu:0 float16)

输出:


| A | 001–003 | A 环境自检(3) | 3 |

用例 001(A)— 环境自检 (双卡 NPU)

python3 inference.py --mode env

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 0)

ASCEND_RT_VISIBLE_DEVICES=0 python3 inference.py --mode env

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 003(A)— 环境自检 (仅可见 NPU 1)

ASCEND_RT_VISIBLE_DEVICES=1 python3 inference.py --mode env

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

| B | 004–072 | B 真基因单序列预测(69) | 69 |

用例 004(B)— 基因预测 microRNA-21 (npu:0 float32)

python3 inference.py --mode predict --gene microRNA-21

输出:

[predict] seq=microRNA-21 输入=(1,22) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0006 max_don=0.0000 top5_acc=3@0.0006,11@0.0001,8@0.0001,2@0.0001,4@0.0001

用例 005(B)— 基因预测 microRNA-21 (npu:0 bfloat16)

python3 inference.py --mode predict --gene microRNA-21 --dtype bfloat16

输出:

[predict] seq=microRNA-21 输入=(1,22) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0006 max_don=0.0000 top5_acc=3@0.0006,11@0.0001,8@0.0001,2@0.0001,4@0.0001

用例 006(B)— 基因预测 microRNA-146a (npu:0 float32)

python3 inference.py --mode predict --gene microRNA-146a

输出:

[predict] seq=microRNA-146a 输入=(1,22) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0001 max_don=0.0002 top5_acc=2@0.0001,4@0.0001,5@0.0001,6@0.0001,18@0.0001

用例 007(B)— 基因预测 microRNA-146a (npu:0 bfloat16)

python3 inference.py --mode predict --gene microRNA-146a --dtype bfloat16

输出:

[predict] seq=microRNA-146a 输入=(1,22) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0001 max_don=0.0002 top5_acc=2@0.0001,4@0.0001,5@0.0001,18@0.0001,6@0.0001

用例 008(B)— 基因预测 microRNA-155 (npu:0 float32)

python3 inference.py --mode predict --gene microRNA-155

输出:

[predict] seq=microRNA-155 输入=(1,24) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=24 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0001 top5_acc=19@0.0004,5@0.0001,6@0.0001,3@0.0001,0@0.0000

用例 009(B)— 基因预测 microRNA-155 (npu:0 bfloat16)

python3 inference.py --mode predict --gene microRNA-155 --dtype bfloat16

输出:

[predict] seq=microRNA-155 输入=(1,24) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=24 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0001 top5_acc=19@0.0004,5@0.0001,6@0.0001,3@0.0001,0@0.0000

用例 010(B)— 基因预测 RMRP (npu:0 float32)

python3 inference.py --mode predict --gene RMRP

输出:

[predict] seq=RMRP 输入=(1,277) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=277 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0013 max_don=0.0016 top5_acc=67@0.0013,259@0.0005,1@0.0003,208@0.0002,0@0.0001

用例 011(B)— 基因预测 RMRP (npu:0 bfloat16)

python3 inference.py --mode predict --gene RMRP --dtype bfloat16

输出:

[predict] seq=RMRP 输入=(1,277) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=277 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0013 max_don=0.0016 top5_acc=67@0.0013,259@0.0005,1@0.0003,208@0.0002,0@0.0001

用例 012(B)— 基因预测 7SK (npu:0 float32)

python3 inference.py --mode predict --gene 7SK

输出:

[predict] seq=7SK 输入=(1,332) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=332 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0008 max_don=0.0018 top5_acc=188@0.0008,302@0.0003,201@0.0003,318@0.0002,78@0.0002

用例 013(B)— 基因预测 7SK (npu:0 bfloat16)

python3 inference.py --mode predict --gene 7SK --dtype bfloat16

输出:

[predict] seq=7SK 输入=(1,332) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=332 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0008 max_don=0.0018 top5_acc=188@0.0008,201@0.0003,302@0.0003,318@0.0002,78@0.0002

用例 014(B)— 基因预测 TERC (npu:0 float32)

python3 inference.py --mode predict --gene TERC

输出:

[predict] seq=TERC 输入=(1,451) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=451 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0007 max_don=0.0011 top5_acc=433@0.0007,11@0.0003,447@0.0002,445@0.0002,369@0.0002

用例 015(B)— 基因预测 TERC (npu:0 bfloat16)

python3 inference.py --mode predict --gene TERC --dtype bfloat16

输出:

[predict] seq=TERC 输入=(1,451) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=451 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0007 max_don=0.0012 top5_acc=433@0.0007,11@0.0002,447@0.0002,445@0.0002,1@0.0002

用例 016(B)— 基因预测 vault-RNA-2-1 (npu:0 float32)

python3 inference.py --mode predict --gene vault-RNA-2-1

输出:

[predict] seq=vault-RNA-2-1 输入=(1,108) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=108 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0017 max_don=0.0013 top5_acc=76@0.0017,92@0.0008,81@0.0007,94@0.0006,90@0.0006

用例 017(B)— 基因预测 vault-RNA-2-1 (npu:0 bfloat16)

python3 inference.py --mode predict --gene vault-RNA-2-1 --dtype bfloat16

输出:

[predict] seq=vault-RNA-2-1 输入=(1,108) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=108 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0017 max_don=0.0013 top5_acc=76@0.0017,92@0.0008,81@0.0007,90@0.0006,94@0.0006

用例 018(B)— 基因预测 BC1 (npu:0 float32)

python3 inference.py --mode predict --gene BC1

输出:

[predict] seq=BC1 输入=(1,200) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=200 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0004 max_don=0.0004 top5_acc=179@0.0004,162@0.0001,186@0.0001,41@0.0001,185@0.0001

用例 019(B)— 基因预测 BC1 (npu:0 bfloat16)

python3 inference.py --mode predict --gene BC1 --dtype bfloat16

输出:

[predict] seq=BC1 输入=(1,200) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=200 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0004 max_don=0.0004 top5_acc=179@0.0004,162@0.0001,186@0.0001,41@0.0001,185@0.0001

用例 020(B)— 基因预测 HIV-1-TAR (npu:0 float32)

python3 inference.py --mode predict --gene HIV-1-TAR

输出:

[predict] seq=HIV-1-TAR 输入=(1,57) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=57 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0031 max_don=0.0004 top5_acc=51@0.0031,1@0.0011,15@0.0005,0@0.0004,2@0.0003

用例 021(B)— 基因预测 HIV-1-TAR (npu:0 bfloat16)

python3 inference.py --mode predict --gene HIV-1-TAR --dtype bfloat16

输出:

[predict] seq=HIV-1-TAR 输入=(1,57) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=57 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0031 max_don=0.0005 top5_acc=51@0.0031,1@0.0011,15@0.0005,0@0.0004,2@0.0003

用例 022(B)— 基因预测 PRNP (npu:0 float32)

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

输出:

[predict] seq=PRNP 输入=(1,66) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=66 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0002 top5_acc=50@0.0004,0@0.0003,48@0.0002,44@0.0001,4@0.0001

用例 023(B)— 基因预测 PRNP (npu:0 bfloat16)

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

输出:

[predict] seq=PRNP 输入=(1,66) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=66 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0002 top5_acc=50@0.0004,0@0.0003,48@0.0002,44@0.0001,4@0.0001

用例 024(B)— 基因预测 IL10 (npu:0 float32)

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

输出:

[predict] seq=IL10 输入=(1,54) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=54 mean_acc=0.0003 mean_don=0.0002 max_acc=0.0042 max_don=0.0038 top5_acc=50@0.0042,51@0.0016,8@0.0007,45@0.0007,44@0.0006

用例 025(B)— 基因预测 IL10 (npu:0 bfloat16)

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

输出:

[predict] seq=IL10 输入=(1,54) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=54 mean_acc=0.0003 mean_don=0.0002 max_acc=0.0043 max_don=0.0037 top5_acc=50@0.0043,51@0.0016,8@0.0007,45@0.0007,44@0.0007

用例 026(B)— 基因预测 EBOV (npu:0 float32)

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

输出:

[predict] seq=EBOV 输入=(1,306) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=306 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0030 max_don=0.0015 top5_acc=300@0.0030,157@0.0007,112@0.0005,147@0.0005,264@0.0004

用例 027(B)— 基因预测 EBOV (npu:0 bfloat16)

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

输出:

[predict] seq=EBOV 输入=(1,306) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=306 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0030 max_don=0.0015 top5_acc=300@0.0030,157@0.0007,112@0.0005,147@0.0005,264@0.0005

用例 028(B)— 基因预测 SARS (npu:0 float32)

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

输出:

[predict] seq=SARS 输入=(1,495) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=495 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0035 max_don=0.0007 top5_acc=202@0.0035,35@0.0007,277@0.0005,97@0.0004,41@0.0003

用例 029(B)— 基因预测 SARS (npu:0 bfloat16)

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

输出:

[predict] seq=SARS 输入=(1,495) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=495 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0034 max_don=0.0007 top5_acc=202@0.0034,35@0.0006,277@0.0005,97@0.0004,41@0.0003

用例 030(B)— 基因预测 INS (npu:0 float32)

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

输出:

[predict] seq=INS 输入=(1,333) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=333 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0006 max_don=0.0019 top5_acc=312@0.0006,293@0.0005,318@0.0003,261@0.0002,326@0.0001

用例 031(B)— 基因预测 INS (npu:0 bfloat16)

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

输出:

[predict] seq=INS 输入=(1,333) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=333 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0006 max_don=0.0018 top5_acc=312@0.0006,293@0.0005,318@0.0002,261@0.0002,112@0.0001

用例 032(B)— 基因预测 CDKN2A (npu:0 float32)

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

输出:

[predict] seq=CDKN2A 输入=(1,471) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=471 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0021 max_don=0.0007 top5_acc=448@0.0021,436@0.0019,457@0.0015,459@0.0004,445@0.0002

用例 033(B)— 基因预测 CDKN2A (npu:0 bfloat16)

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

输出:

[predict] seq=CDKN2A 输入=(1,471) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=471 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0020 max_don=0.0007 top5_acc=448@0.0020,436@0.0020,457@0.0015,459@0.0004,445@0.0002

用例 034(B)— 基因预测 HPV16-E6 (npu:0 float32)

python3 inference.py --mode predict --gene HPV16-E6

输出:

[predict] seq=HPV16-E6 输入=(1,477) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=1 n_donor=0 n_neither=476 mean_acc=0.0013 mean_don=0.0003 max_acc=0.5902 max_don=0.0468 top5_acc=326@0.5902,443@0.0108,345@0.0008,323@0.0005,106@0.0005

用例 035(B)— 基因预测 HPV16-E6 (npu:0 bfloat16)

python3 inference.py --mode predict --gene HPV16-E6 --dtype bfloat16

输出:

[predict] seq=HPV16-E6 输入=(1,477) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=1 n_donor=0 n_neither=476 mean_acc=0.0013 mean_don=0.0003 max_acc=0.5898 max_don=0.0449 top5_acc=326@0.5898,443@0.0109,345@0.0008,106@0.0005,323@0.0005

用例 036(B)— 基因预测 NRAS-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene NRAS-5UTR

输出:

[predict] seq=NRAS-5UTR 输入=(1,131) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=131 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0025 max_don=0.0034 top5_acc=114@0.0025,108@0.0011,124@0.0011,123@0.0011,125@0.0009

用例 037(B)— 基因预测 NRAS-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene NRAS-5UTR --dtype bfloat16

输出:

[predict] seq=NRAS-5UTR 输入=(1,131) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=131 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0024 max_don=0.0035 top5_acc=114@0.0024,108@0.0011,124@0.0011,123@0.0011,125@0.0009

用例 038(B)— 基因预测 APP-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene APP-5UTR

输出:

[predict] seq=APP-5UTR 输入=(1,150) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=150 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0059 max_don=0.0026 top5_acc=143@0.0059,5@0.0006,149@0.0005,141@0.0003,144@0.0003

用例 039(B)— 基因预测 APP-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene APP-5UTR --dtype bfloat16

输出:

[predict] seq=APP-5UTR 输入=(1,150) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=150 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0060 max_don=0.0027 top5_acc=143@0.0060,5@0.0005,149@0.0005,141@0.0003,144@0.0003

用例 040(B)— 基因预测 RUNX1-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene RUNX1-5UTR

输出:

[predict] seq=RUNX1-5UTR 输入=(1,194) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=194 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0013 max_don=0.0009 top5_acc=185@0.0013,121@0.0012,188@0.0005,167@0.0004,170@0.0003

用例 041(B)— 基因预测 RUNX1-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene RUNX1-5UTR --dtype bfloat16

输出:

[predict] seq=RUNX1-5UTR 输入=(1,194) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=194 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0012 max_don=0.0009 top5_acc=185@0.0012,121@0.0012,188@0.0005,167@0.0004,170@0.0003

用例 042(B)— 基因预测 FMR1-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene FMR1-5UTR

输出:

[predict] seq=FMR1-5UTR 输入=(1,261) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=261 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0004 top5_acc=248@0.0005,213@0.0003,245@0.0003,258@0.0002,5@0.0002

用例 043(B)— 基因预测 FMR1-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene FMR1-5UTR --dtype bfloat16

输出:

[predict] seq=FMR1-5UTR 输入=(1,261) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=261 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0004 top5_acc=248@0.0005,213@0.0003,245@0.0003,258@0.0002,256@0.0002

用例 044(B)— 基因预测 MYC-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene MYC-5UTR

输出:

[predict] seq=MYC-5UTR 输入=(1,363) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=363 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0013 max_don=0.0002 top5_acc=352@0.0013,339@0.0004,360@0.0003,321@0.0002,346@0.0002

用例 045(B)— 基因预测 MYC-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene MYC-5UTR --dtype bfloat16

输出:

[predict] seq=MYC-5UTR 输入=(1,363) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=363 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0013 max_don=0.0002 top5_acc=352@0.0013,339@0.0004,360@0.0003,321@0.0002,346@0.0002

用例 046(B)— 基因预测 ATF4-5UTR (npu:0 float32)

python3 inference.py --mode predict --gene ATF4-5UTR

输出:

[predict] seq=ATF4-5UTR 输入=(1,282) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=282 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0005 top5_acc=268@0.0005,72@0.0003,134@0.0002,234@0.0002,250@0.0001

用例 047(B)— 基因预测 ATF4-5UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene ATF4-5UTR --dtype bfloat16

输出:

[predict] seq=ATF4-5UTR 输入=(1,282) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=282 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0005 top5_acc=268@0.0005,72@0.0003,134@0.0002,234@0.0002,250@0.0001

用例 048(B)— 基因预测 GPI-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene GPI-3UTR

输出:

[predict] seq=GPI-3UTR 输入=(1,300) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=300 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0007 max_don=0.0040 top5_acc=262@0.0007,276@0.0006,234@0.0006,119@0.0003,198@0.0003

用例 049(B)— 基因预测 GPI-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene GPI-3UTR --dtype bfloat16

输出:

[predict] seq=GPI-3UTR 输入=(1,300) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=300 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0007 max_don=0.0040 top5_acc=262@0.0007,276@0.0006,234@0.0005,198@0.0003,119@0.0003

用例 050(B)— 基因预测 NPM1-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene NPM1-3UTR

输出:

[predict] seq=NPM1-3UTR 输入=(1,335) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=335 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0022 max_don=0.0011 top5_acc=89@0.0022,58@0.0008,130@0.0006,171@0.0004,180@0.0003

用例 051(B)— 基因预测 NPM1-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene NPM1-3UTR --dtype bfloat16

输出:

[predict] seq=NPM1-3UTR 输入=(1,335) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=335 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0022 max_don=0.0011 top5_acc=89@0.0022,58@0.0008,130@0.0006,171@0.0004,180@0.0003

用例 052(B)— 基因预测 SOD1-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene SOD1-3UTR

输出:

[predict] seq=SOD1-3UTR 输入=(1,353) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=353 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0085 top5_acc=122@0.0005,53@0.0005,198@0.0003,234@0.0002,59@0.0002

用例 053(B)— 基因预测 SOD1-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene SOD1-3UTR --dtype bfloat16

输出:

[predict] seq=SOD1-3UTR 输入=(1,353) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=353 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0005 max_don=0.0084 top5_acc=53@0.0005,122@0.0005,198@0.0003,234@0.0002,59@0.0002

用例 054(B)— 基因预测 HBA2-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene HBA2-3UTR

输出:

[predict] seq=HBA2-3UTR 输入=(1,109) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=109 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0041 max_don=0.0009 top5_acc=94@0.0041,100@0.0018,107@0.0016,103@0.0008,101@0.0003

用例 055(B)— 基因预测 HBA2-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene HBA2-3UTR --dtype bfloat16

输出:

[predict] seq=HBA2-3UTR 输入=(1,109) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=109 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0041 max_don=0.0010 top5_acc=94@0.0041,100@0.0018,107@0.0016,103@0.0008,101@0.0003

用例 056(B)— 基因预测 BRAF-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene BRAF-3UTR

输出:

[predict] seq=BRAF-3UTR 输入=(1,419) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=419 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0182 max_don=0.0082 top5_acc=390@0.0182,332@0.0086,105@0.0018,398@0.0009,413@0.0007

用例 057(B)— 基因预测 BRAF-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene BRAF-3UTR --dtype bfloat16

输出:

[predict] seq=BRAF-3UTR 输入=(1,419) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=419 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0183 max_don=0.0082 top5_acc=390@0.0183,332@0.0084,105@0.0018,398@0.0009,413@0.0007

用例 058(B)— 基因预测 H3C1-3UTR (npu:0 float32)

python3 inference.py --mode predict --gene H3C1-3UTR

输出:

[predict] seq=H3C1-3UTR 输入=(1,58) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=58 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0007 max_don=0.0002 top5_acc=4@0.0007,5@0.0006,43@0.0005,6@0.0005,2@0.0004

用例 059(B)— 基因预测 H3C1-3UTR (npu:0 bfloat16)

python3 inference.py --mode predict --gene H3C1-3UTR --dtype bfloat16

输出:

[predict] seq=H3C1-3UTR 输入=(1,58) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=58 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0007 max_don=0.0002 top5_acc=4@0.0007,5@0.0007,43@0.0005,6@0.0005,2@0.0004

用例 060(B)— 基因预测 microRNA-21 (npu:1 float32)

python3 inference.py --mode predict --gene microRNA-21 --device npu:1

输出:

[predict] seq=microRNA-21 输入=(1,22) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0006 max_don=0.0000 top5_acc=3@0.0006,11@0.0001,8@0.0001,2@0.0001,4@0.0001

用例 061(B)— 基因预测 microRNA-146a (npu:1 float32)

python3 inference.py --mode predict --gene microRNA-146a --device npu:1

输出:

[predict] seq=microRNA-146a 输入=(1,22) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=22 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0001 max_don=0.0002 top5_acc=2@0.0001,4@0.0001,5@0.0001,6@0.0001,18@0.0001

用例 062(B)— 基因预测 microRNA-155 (npu:1 float32)

python3 inference.py --mode predict --gene microRNA-155 --device npu:1

输出:

[predict] seq=microRNA-155 输入=(1,24) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=24 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0001 top5_acc=19@0.0004,5@0.0001,6@0.0001,3@0.0001,0@0.0000

用例 063(B)— 基因预测 RMRP (npu:1 float32)

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

输出:

[predict] seq=RMRP 输入=(1,277) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=277 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0013 max_don=0.0016 top5_acc=67@0.0013,259@0.0005,1@0.0003,208@0.0002,0@0.0001

用例 064(B)— 基因预测 7SK (npu:1 float32)

python3 inference.py --mode predict --gene 7SK --device npu:1

输出:

[predict] seq=7SK 输入=(1,332) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=332 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0008 max_don=0.0018 top5_acc=188@0.0008,302@0.0003,201@0.0003,318@0.0002,78@0.0002

用例 065(B)— 基因预测 TERC (npu:1 float32)

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

输出:

[predict] seq=TERC 输入=(1,451) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=451 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0007 max_don=0.0012 top5_acc=433@0.0007,11@0.0003,447@0.0002,445@0.0002,1@0.0002

用例 066(B)— 基因预测 vault-RNA-2-1 (npu:1 float32)

python3 inference.py --mode predict --gene vault-RNA-2-1 --device npu:1

输出:

[predict] seq=vault-RNA-2-1 输入=(1,108) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=108 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0017 max_don=0.0013 top5_acc=76@0.0017,92@0.0008,81@0.0007,94@0.0007,90@0.0006

用例 067(B)— 基因预测 BC1 (npu:1 float32)

python3 inference.py --mode predict --gene BC1 --device npu:1

输出:

[predict] seq=BC1 输入=(1,200) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=200 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0004 max_don=0.0004 top5_acc=179@0.0004,186@0.0001,162@0.0001,41@0.0001,185@0.0001

用例 068(B)— 基因预测 HIV-1-TAR (npu:1 float32)

python3 inference.py --mode predict --gene HIV-1-TAR --device npu:1

输出:

[predict] seq=HIV-1-TAR 输入=(1,57) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=57 mean_acc=0.0001 mean_don=0.0001 max_acc=0.0031 max_don=0.0005 top5_acc=51@0.0031,1@0.0011,15@0.0005,0@0.0004,2@0.0003

用例 069(B)— 基因预测 PRNP (npu:1 float32)

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

输出:

[predict] seq=PRNP 输入=(1,66) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=66 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0004 max_don=0.0002 top5_acc=50@0.0004,0@0.0003,48@0.0002,44@0.0001,4@0.0001

用例 070(B)— 基因预测 IL10 (npu:1 float32)

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

输出:

[predict] seq=IL10 输入=(1,54) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=54 mean_acc=0.0003 mean_don=0.0002 max_acc=0.0043 max_don=0.0038 top5_acc=50@0.0043,51@0.0016,8@0.0007,45@0.0007,44@0.0006

用例 071(B)— 基因预测 EBOV (npu:1 float32)

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

输出:

[predict] seq=EBOV 输入=(1,306) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=306 mean_acc=0.0001 mean_don=0.0000 max_acc=0.0031 max_don=0.0015 top5_acc=300@0.0031,157@0.0007,112@0.0006,147@0.0005,264@0.0004

用例 072(B)— 基因预测 SARS (npu:1 float32)

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

输出:

[predict] seq=SARS 输入=(1,495) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=495 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0036 max_don=0.0007 top5_acc=202@0.0036,35@0.0007,277@0.0005,97@0.0004,41@0.0003

| C | 073–118 | C 合成/随机序列预测(46) | 46 |

用例 073(C)— 合成模板 polyA (npu:0 float32)

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

输出:

[predict] seq=polyA 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0002 max_don=0.0008 top5_acc=1990@0.0002,1982@0.0002,1983@0.0002,1986@0.0002,1985@0.0002

用例 074(C)— 合成模板 polyA (npu:0 bfloat16)

python3 inference.py --mode predict --pattern polyA --dtype bfloat16

输出:

[predict] seq=polyA 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0002 max_don=0.0008 top5_acc=1990@0.0002,1983@0.0002,1984@0.0002,1989@0.0002,1986@0.0002

用例 075(C)— 合成模板 polyC (npu:0 float32)

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

输出:

[predict] seq=polyC 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0073 max_don=0.0014 top5_acc=1968@0.0073,1964@0.0070,1962@0.0070,1966@0.0070,1965@0.0068

用例 076(C)— 合成模板 polyC (npu:0 bfloat16)

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

输出:

[predict] seq=polyC 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0078 max_don=0.0013 top5_acc=1968@0.0078,1964@0.0071,1971@0.0070,1969@0.0069,1960@0.0069

用例 077(C)— 合成模板 polyG (npu:0 float32)

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

输出:

[predict] seq=polyG 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0062 mean_don=0.0001 max_acc=0.1868 max_don=0.0060 top5_acc=1964@0.1868,1960@0.1838,1961@0.1815,1963@0.1814,1965@0.1810

用例 078(C)— 合成模板 polyG (npu:0 bfloat16)

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

输出:

[predict] seq=polyG 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0063 mean_don=0.0001 max_acc=0.1924 max_don=0.0059 top5_acc=1961@0.1924,1964@0.1924,1962@0.1875,1963@0.1875,1968@0.1875

用例 079(C)— 合成模板 polyU (npu:0 float32)

python3 inference.py --mode predict --pattern polyU

输出:

[predict] seq=polyU 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0051 max_don=0.0005 top5_acc=1974@0.0051,1973@0.0051,1971@0.0051,1981@0.0050,1970@0.0050

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

python3 inference.py --mode predict --pattern polyU --dtype bfloat16

输出:

[predict] seq=polyU 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0053 max_don=0.0005 top5_acc=1970@0.0053,1973@0.0053,1974@0.0053,1981@0.0052,1982@0.0051

用例 081(C)— 合成模板 ACGU (npu:0 float32)

python3 inference.py --mode predict --pattern ACGU

输出:

[predict] seq=ACGU 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0552 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0025

用例 082(C)— 合成模板 ACGU (npu:0 bfloat16)

python3 inference.py --mode predict --pattern ACGU --dtype bfloat16

输出:

[predict] seq=ACGU 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0030 max_don=0.0537 top5_acc=1982@0.0030,1970@0.0029,1974@0.0027,1978@0.0027,1986@0.0025

用例 083(C)— 合成模板 GC50 (npu:0 float32)

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

输出:

[predict] seq=GC50 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0005 mean_don=0.0000 max_acc=0.0159 max_don=0.0015 top5_acc=1970@0.0159,1972@0.0158,1974@0.0155,1966@0.0153,1964@0.0151

用例 084(C)— 合成模板 GC50 (npu:0 bfloat16)

python3 inference.py --mode predict --pattern GC50 --dtype bfloat16

输出:

[predict] seq=GC50 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0005 mean_don=0.0000 max_acc=0.0161 max_don=0.0016 top5_acc=1972@0.0161,1966@0.0154,1970@0.0154,1964@0.0154,1974@0.0152

用例 085(C)— 合成模板 AU50 (npu:0 float32)

python3 inference.py --mode predict --pattern AU50

输出:

[predict] seq=AU50 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0003 mean_don=0.0001 max_acc=0.0163 max_don=0.0020 top5_acc=1984@0.0163,1990@0.0159,1986@0.0157,1982@0.0157,1988@0.0156

用例 086(C)— 合成模板 AU50 (npu:0 bfloat16)

python3 inference.py --mode predict --pattern AU50 --dtype bfloat16

输出:

[predict] seq=AU50 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0003 mean_don=0.0001 max_acc=0.0175 max_don=0.0021 top5_acc=1984@0.0175,1986@0.0164,1982@0.0164,1990@0.0159,1980@0.0154

用例 087(C)— 合成模板 N2000 (npu:0 float32)

python3 inference.py --mode predict --pattern N2000

输出:

[predict] seq=N2000 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2784 mean_don=0.2861 max_acc=0.2784 max_don=0.2861 top5_acc=1999@0.2784,670@0.2784,657@0.2784,658@0.2784,659@0.2784

用例 088(C)— 合成模板 N2000 (npu:0 bfloat16)

python3 inference.py --mode predict --pattern N2000 --dtype bfloat16

输出:

[predict] seq=N2000 输入=(1,2000) 设备=npu:0 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2793 mean_don=0.2871 max_acc=0.2793 max_don=0.2871 top5_acc=1999@0.2793,670@0.2793,657@0.2793,658@0.2793,659@0.2793

用例 089(C)— random seed=1 (npu:0 float32)

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

输出:

[predict] seq=random_s1 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0002 max_acc=0.0107 max_don=0.3449 top5_acc=1990@0.0107,1955@0.0045,1916@0.0011,1972@0.0010,1928@0.0009

用例 090(C)— random seed=2 (npu:0 float32)

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

输出:

[predict] seq=random_s2 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=1 n_neither=1999 mean_acc=0.0000 mean_don=0.0005 max_acc=0.0093 max_don=0.9595 top5_acc=1997@0.0093,1975@0.0035,1937@0.0017,1992@0.0012,1998@0.0009

用例 091(C)— random seed=3 (npu:0 float32)

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

输出:

[predict] seq=random_s3 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0011 max_don=0.0138 top5_acc=1946@0.0011,1990@0.0008,1838@0.0007,1878@0.0007,1851@0.0006

用例 092(C)— random seed=4 (npu:0 float32)

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

输出:

[predict] seq=random_s4 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0068 max_don=0.1227 top5_acc=1971@0.0068,1998@0.0028,1952@0.0023,1984@0.0009,1987@0.0008

用例 093(C)— random seed=5 (npu:0 float32)

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

输出:

[predict] seq=random_s5 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0029 max_don=0.0022 top5_acc=1975@0.0029,1996@0.0017,1936@0.0015,1912@0.0012,1991@0.0009

用例 094(C)— random seed=6 (npu:0 float32)

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

输出:

[predict] seq=random_s6 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0290 max_don=0.1025 top5_acc=1994@0.0290,1939@0.0015,1921@0.0009,1950@0.0008,1876@0.0007

用例 095(C)— random seed=7 (npu:0 float32)

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

输出:

[predict] seq=random_s7 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0122 max_don=0.1689 top5_acc=1980@0.0122,871@0.0061,1871@0.0034,1857@0.0028,1940@0.0025

用例 096(C)— random seed=8 (npu:0 float32)

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

输出:

[predict] seq=random_s8 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=1 n_neither=1999 mean_acc=0.0000 mean_don=0.0004 max_acc=0.0243 max_don=0.7796 top5_acc=1986@0.0243,1952@0.0084,1977@0.0013,1822@0.0013,1973@0.0012

用例 097(C)— random seed=9 (npu:0 float32)

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

输出:

[predict] seq=random_s9 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=1 n_donor=1 n_neither=1998 mean_acc=0.0005 mean_don=0.0008 max_acc=0.8955 max_don=0.9848 top5_acc=261@0.8955,1960@0.0016,1975@0.0016,1946@0.0012,1966@0.0012

用例 098(C)— random seed=10 (npu:0 float32)

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

输出:

[predict] seq=random_s10 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0001 max_acc=0.0024 max_don=0.0578 top5_acc=1971@0.0024,1940@0.0016,1992@0.0014,1988@0.0008,1991@0.0008

用例 099(C)— random_n seed=11 (npu:0 float32)

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

输出:

[predict] seq=random_n_s11 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0152 mean_don=0.0157 max_acc=0.2784 max_don=0.2861 top5_acc=1805@0.2784,747@0.2784,157@0.2784,148@0.2784,121@0.2784

用例 100(C)— random_n seed=12 (npu:0 float32)

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

输出:

[predict] seq=random_n_s12 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0134 mean_don=0.0138 max_acc=0.2784 max_don=0.2861 top5_acc=768@0.2784,1928@0.2784,1124@0.2784,1104@0.2784,1097@0.2784

用例 101(C)— random_n seed=13 (npu:0 float32)

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

输出:

[predict] seq=random_n_s13 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0128 mean_don=0.0132 max_acc=0.2784 max_don=0.2861 top5_acc=1877@0.2784,1035@0.2784,739@0.2784,787@0.2784,802@0.2784

用例 102(C)— random_n seed=14 (npu:0 float32)

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

输出:

[predict] seq=random_n_s14 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=1 n_donor=0 n_neither=1999 mean_acc=0.0150 mean_don=0.0151 max_acc=0.6474 max_don=0.2861 top5_acc=1935@0.6474,953@0.2784,1003@0.2784,1184@0.2784,1166@0.2784

用例 103(C)— random_n seed=15 (npu:0 float32)

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

输出:

[predict] seq=random_n_s15 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0167 mean_don=0.0172 max_acc=0.2784 max_don=0.2861 top5_acc=0@0.2784,1243@0.2784,1131@0.2784,1138@0.2784,1143@0.2784

用例 104(C)— random_n seed=16 (npu:0 float32)

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

输出:

[predict] seq=random_n_s16 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0160 mean_don=0.0165 max_acc=0.2784 max_don=0.2861 top5_acc=182@0.2784,710@0.2784,1146@0.2784,797@0.2784,1849@0.2784

用例 105(C)— random_n seed=17 (npu:0 float32)

python3 inference.py --mode predict --pattern random_n --seed 17

输出:

[predict] seq=random_n_s17 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0146 mean_don=0.0151 max_acc=0.2784 max_don=0.2861 top5_acc=645@0.2784,850@0.2784,890@0.2784,902@0.2784,913@0.2784

用例 106(C)— random_n seed=18 (npu:0 float32)

python3 inference.py --mode predict --pattern random_n --seed 18

输出:

[predict] seq=random_n_s18 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0137 mean_don=0.0141 max_acc=0.2784 max_don=0.2861 top5_acc=326@0.2784,685@0.2784,546@0.2784,566@0.2784,593@0.2784

用例 107(C)— random_n seed=19 (npu:0 float32)

python3 inference.py --mode predict --pattern random_n --seed 19

输出:

[predict] seq=random_n_s19 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0135 mean_don=0.0140 max_acc=0.2784 max_don=0.2861 top5_acc=761@0.2784,1934@0.2784,1065@0.2784,1058@0.2784,1045@0.2784

用例 108(C)— random_n seed=20 (npu:0 float32)

python3 inference.py --mode predict --pattern random_n --seed 20

输出:

[predict] seq=random_n_s20 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0141 mean_don=0.0147 max_acc=0.2784 max_don=0.2861 top5_acc=69@0.2784,863@0.2784,982@0.2784,943@0.2784,893@0.2784

用例 109(C)— iupac (npu:0 float32)

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

输出:

[predict] seq=iupac 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2784 mean_don=0.2861 max_acc=0.2784 max_don=0.2861 top5_acc=1999@0.2784,670@0.2784,657@0.2784,658@0.2784,659@0.2784

用例 110(C)— 合成模板 polyA (npu:1 float32)

python3 inference.py --mode predict --pattern polyA --device npu:1

输出:

[predict] seq=polyA 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0002 max_don=0.0009 top5_acc=1990@0.0002,1982@0.0002,1983@0.0002,1986@0.0002,1988@0.0002

用例 111(C)— 合成模板 polyC (npu:1 float32)

python3 inference.py --mode predict --pattern polyC --device npu:1

输出:

[predict] seq=polyC 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0073 max_don=0.0013 top5_acc=1968@0.0073,1964@0.0070,1962@0.0069,1966@0.0069,1965@0.0068

用例 112(C)— 合成模板 polyG (npu:1 float32)

python3 inference.py --mode predict --pattern polyG --device npu:1

输出:

[predict] seq=polyG 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0060 mean_don=0.0001 max_acc=0.1821 max_don=0.0059 top5_acc=1964@0.1821,1960@0.1797,1961@0.1775,1963@0.1769,1965@0.1767

用例 113(C)— 合成模板 polyU (npu:1 float32)

python3 inference.py --mode predict --pattern polyU --device npu:1

输出:

[predict] seq=polyU 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0051 max_don=0.0005 top5_acc=1974@0.0051,1973@0.0050,1971@0.0050,1981@0.0050,1972@0.0049

用例 114(C)— 合成模板 ACGU (npu:1 float32)

python3 inference.py --mode predict --pattern ACGU --device npu:1

输出:

[predict] seq=ACGU 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0556 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0026

用例 115(C)— 合成模板 N2000 (npu:1 float32)

python3 inference.py --mode predict --pattern N2000 --device npu:1

输出:

[predict] seq=N2000 输入=(1,2000) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2786 mean_don=0.2860 max_acc=0.2786 max_don=0.2860 top5_acc=1999@0.2786,670@0.2786,657@0.2786,658@0.2786,659@0.2786

用例 116(C)— 合成模板 ACGU (npu:0 float16)

python3 inference.py --mode predict --pattern ACGU --dtype float16

输出:

[predict] seq=ACGU 输入=(1,2000) 设备=npu:0 精度=float16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0554 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0025

用例 117(C)— 合成模板 polyA (npu:0 float16)

python3 inference.py --mode predict --pattern polyA --dtype float16

输出:

[predict] seq=polyA 输入=(1,2000) 设备=npu:0 精度=float16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0002 max_don=0.0008 top5_acc=1990@0.0002,1982@0.0002,1983@0.0002,1985@0.0002,1994@0.0002

用例 118(C)— 合成模板 N2000 (npu:0 float16)

python3 inference.py --mode predict --pattern N2000 --dtype float16

输出:

[predict] seq=N2000 输入=(1,2000) 设备=npu:0 精度=float16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2783 mean_don=0.2861 max_acc=0.2783 max_don=0.2861 top5_acc=1999@0.2783,670@0.2783,657@0.2783,658@0.2783,659@0.2783

| D | 119–125 | D 批量预测(7) | 7 |

用例 119(D)— batch size=1

python3 inference.py --mode batch --seqs "ACGU"

输出:

[batch] n=1 输入=(1, 4) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0] n_donor=[0] max_acc=['0.0000']

用例 120(D)— batch size=2

python3 inference.py --mode batch --seqs "ACGU" "ACGU"

输出:

[batch] n=2 输入=(2, 4) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0, 0] n_donor=[0, 0] max_acc=['0.0000', '0.0000']

用例 121(D)— batch size=4

python3 inference.py --mode batch --seqs "ACGU" "ACGU" "ACGU" "ACGU"

输出:

[batch] n=4 输入=(4, 4) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0, 0, 0, 0] n_donor=[0, 0, 0, 0] max_acc=['0.0000', '0.0000', '0.0000', '0.0000']

用例 122(D)— batch size=8

python3 inference.py --mode batch --seqs "ACGU" "ACGU" "ACGU" "ACGU" "ACGU" "ACGU" "ACGU" "ACGU"

输出:

[batch] n=8 输入=(8, 4) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0, 0, 0, 0, 0, 0, 0, 0] n_donor=[0, 0, 0, 0, 0, 0, 0, 0] max_acc=['0.0000', '0.0000', '0.0000', '0.0000', '0.0000', '0.0000', '0.0000', '0.0000']

用例 123(D)— batch mixed

python3 inference.py --mode batch --seqs "AUG" "GCG" "UUU" "ACG" "CGA"

输出:

[batch] n=5 输入=(5, 3) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0, 0, 0, 0, 0] n_donor=[0, 0, 0, 0, 0]

用例 124(D)— batch gene seqs

python3 inference.py --mode batch --seqs "AGCAGUCAUUAUGGCGAA" "AUGCACAGCUCAGCACUG"

输出:

[batch] n=2 输入=(2, 18) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=[0, 0] n_donor=[0, 0]

用例 125(D)— batch mixed (npu:1)

python3 inference.py --mode batch --seqs "AUG" "GCG" "UUU" "ACG" --device npu:1

输出:

[batch] n=4 输入=(4, 3) 设备=npu:1 精度=float32 耗时=0.000s n_acceptor=[0, 0, 0, 0] n_donor=[0, 0, 0, 0]

| E | 126–129 | E 序列组成分析(4) | 4 |

用例 126(E)— GC梯度分析 (npu:0 float32)

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

输出:

[analyze] 类型=GC梯度 n=11 设备=npu:0 精度=float32 GC=0%:acc=0,don=0; GC=10%:acc=0,don=0; GC=20%:acc=0,don=0; GC=30%:acc=0,don=1; GC=40%:acc=0,don=0; GC=50%:acc=0,don=0; GC=60%:acc=0,don=0; GC=70%:acc=0,don=0; GC=80%:acc=0,don=0; GC=90%:acc=0,don=0; GC=100%:acc=0,don=0

用例 127(E)— 碱基偏好分析 (npu:0 float32)

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

输出:

[analyze] 类型=碱基组成 n=4 设备=npu:0 精度=float32 polyA:acc=0,don=0,mean_acc=0.0000; polyC:acc=0,don=0,mean_acc=0.0002; polyG:acc=0,don=0,mean_acc=0.0062; polyU:acc=0,don=0,mean_acc=0.0002

用例 128(E)— GC梯度分析 (npu:0 bfloat16)

python3 inference.py --mode analyze --gc-sweep --dtype bfloat16

输出:

[analyze] 类型=GC梯度 n=11 设备=npu:0 精度=bfloat16 GC=0%:acc=0,don=0; GC=10%:acc=0,don=0; GC=20%:acc=0,don=0; GC=30%:acc=0,don=1; GC=40%:acc=0,don=0; GC=50%:acc=0,don=0; GC=60%:acc=0,don=0; GC=70%:acc=0,don=0; GC=80%:acc=0,don=0; GC=90%:acc=0,don=0; GC=100%:acc=0,don=0

用例 129(E)— 碱基偏好分析 (npu:1 float32)

python3 inference.py --mode analyze --base-profiles --device npu:1

输出:

[analyze] 类型=碱基组成 n=4 设备=npu:1 精度=float32 polyA:acc=0,don=0,mean_acc=0.0000; polyC:acc=0,don=0,mean_acc=0.0002; polyG:acc=0,don=0,mean_acc=0.0060; polyU:acc=0,don=0,mean_acc=0.0002

| F | 130–146 | F 一致性自检(17) | 17 |

用例 130(F)— NPU-CPU 一致性 ACGU

python3 inference.py --mode selftest --pattern ACGU --cpu-npu

输出:

[selftest] 对比=NPU-vs-CPU 序列=ACGU max_abs_diff=3.06e-03 一致=True

用例 131(F)— NPU-CPU 一致性 polyA

python3 inference.py --mode selftest --pattern polyA --cpu-npu

输出:

[selftest] 对比=NPU-vs-CPU 序列=polyA max_abs_diff=3.87e-03 一致=True

用例 132(F)— NPU-CPU 一致性 polyC

python3 inference.py --mode selftest --pattern polyC --cpu-npu

输出:

[selftest] 对比=NPU-vs-CPU 序列=polyC max_abs_diff=2.45e-03 一致=True

用例 133(F)— NPU-CPU 一致性 polyG

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

输出:

[selftest] 对比=NPU-vs-CPU 序列=polyG max_abs_diff=2.30e-03 一致=True

用例 134(F)— NPU-CPU 一致性 polyU

python3 inference.py --mode selftest --pattern polyU --cpu-npu

输出:

[selftest] 对比=NPU-vs-CPU 序列=polyU max_abs_diff=1.49e-03 一致=True

用例 135(F)— NPU-CPU 一致性 GC50

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

输出:

[selftest] 对比=NPU-vs-CPU 序列=GC50 max_abs_diff=2.35e-03 一致=True

用例 136(F)— NPU-CPU 一致性 N2000

python3 inference.py --mode selftest --pattern N2000 --cpu-npu

输出:

[selftest] 对比=NPU-vs-CPU 序列=N2000 max_abs_diff=0.00e+00 一致=True

用例 137(F)— dtype-sweep ACGU

python3 inference.py --mode selftest --pattern ACGU --dtype-sweep

输出:

[selftest] 对比=fp32-vs-bfloat16 序列=ACGU max_abs_diff=1.24e-01 一致=False

用例 138(F)— dtype-sweep polyA

python3 inference.py --mode selftest --pattern polyA --dtype-sweep

输出:

[selftest] 对比=fp32-vs-bfloat16 序列=polyA max_abs_diff=2.01e-01 一致=False

用例 139(F)— dtype-sweep polyG

python3 inference.py --mode selftest --pattern polyG --dtype-sweep

输出:

[selftest] 对比=fp32-vs-bfloat16 序列=polyG max_abs_diff=9.18e-02 一致=False

用例 140(F)— device-sweep ACGU

python3 inference.py --mode selftest --pattern ACGU --device-sweep

输出:

[selftest] 对比=npu0-vs-npu1 序列=ACGU max_abs_diff=7.08e-02 一致=False

用例 141(F)— device-sweep polyA

python3 inference.py --mode selftest --pattern polyA --device-sweep

输出:

[selftest] 对比=npu0-vs-npu1 序列=polyA max_abs_diff=8.82e-02 一致=False

用例 142(F)— device-sweep polyG

python3 inference.py --mode selftest --pattern polyG --device-sweep

输出:

[selftest] 对比=npu0-vs-npu1 序列=polyG max_abs_diff=2.90e-02 一致=False

用例 143(F)— device-sweep polyC

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

输出:

[selftest] 对比=npu0-vs-npu1 序列=polyC max_abs_diff=4.63e-02 一致=False

用例 144(F)— device-sweep polyU

python3 inference.py --mode selftest --pattern polyU --device-sweep

输出:

[selftest] 对比=npu0-vs-npu1 序列=polyU max_abs_diff=7.29e-02 一致=False

用例 145(F)— 模型信息

python3 inference.py --mode selftest --pattern ACGU --info

输出:

[selftest] 模型信息: 参数量=359,043 可训练=359,043 num_labels=3 hidden_size=32 context=2000 vocab_size=4 stages=3

用例 146(F)— 全部自检 ACGU

python3 inference.py --mode selftest --pattern ACGU --all

输出:

[selftest] 对比=NPU-vs-CPU 序列=ACGU max_abs_diff=3.06e-03 一致=True

| G | 148–164 | G 边界与 Tokenizer(17) | 17 |

用例 148(G)— tokenize ACGU

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

输出:

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

用例 149(G)— tokenize IUPAC

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

输出:

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

用例 150(G)— tokenize lowercase

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

输出:

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

用例 151(G)— 短序列 1nt

python3 inference.py --mode predict --seq A --name short_1

输出:

[predict] seq=short_1 输入=(1,1) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=1 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0000 max_don=0.0000 top5_acc=0@0.0000

用例 152(G)— 短序列 4nt

python3 inference.py --mode predict --seq ACGU --name short_4

输出:

[predict] seq=short_4 输入=(1,4) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=4 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0000 max_don=0.0000 top5_acc=2@0.0000,1@0.0000,0@0.0000,3@0.0000

用例 153(G)— 长序列 5000nt

python3 inference.py --mode predict --seq "$(python3 -c 'print("A"*5000)')" --name long_5000

输出:

[predict] seq=long_5000 输入=(1,5000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=5000 mean_acc=0.0000 mean_don=0.0000 max_acc=0.0002 max_don=0.0008 top5_acc=4990@0.0002,4982@0.0002,4983@0.0002,4986@0.0002,4985@0.0002

用例 154(G)— N 占位序列

python3 inference.py --mode predict --pattern N2000

输出:

[predict] seq=N2000 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2784 mean_don=0.2861 max_acc=0.2784 max_don=0.2861 top5_acc=1999@0.2784,670@0.2784,657@0.2784,658@0.2784,659@0.2784

用例 155(G)— 小写序列

python3 inference.py --mode predict --seq "$(python3 -c 'print("acgu"*500)')" --name lowercase

输出:

[predict] seq=lowercase 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0552 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0025

用例 156(G)— U→T 替换

python3 inference.py --mode predict --seq "$(python3 -c 'print("ACGT"*500)')" --name u_to_t

输出:

[predict] seq=u_to_t 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0029 max_don=0.0552 top5_acc=1982@0.0029,1970@0.0028,1974@0.0027,1978@0.0026,1986@0.0025

用例 157(G)— 非RNA字符

python3 inference.py --mode predict --seq "$(python3 -c 'print("ZQXF"*500)')" --name unknown

输出:

[predict] seq=unknown 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2784 mean_don=0.2861 max_acc=0.2784 max_don=0.2861 top5_acc=1999@0.2784,670@0.2784,657@0.2784,658@0.2784,659@0.2784

用例 158(G)— npu:1 bfloat16 ACGU

python3 inference.py --mode predict --pattern ACGU --device npu:1 --dtype bfloat16

输出:

[predict] seq=ACGU_npu1_bf16 输入=(1,2000) 设备=npu:1 精度=bfloat16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0001 mean_don=0.0003 max_acc=0.0030 max_don=0.0537 top5_acc=1982@0.0030,1970@0.0029,1974@0.0027,1978@0.0027,1986@0.0025

用例 159(G)— CpG 富集

python3 inference.py --mode predict --seq "$(python3 -c 'print("CG"*1000)')" --name cpg_rich

输出:

[predict] seq=cpg_rich 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0005 mean_don=0.0000 max_acc=0.0156 max_don=0.0014 top5_acc=1973@0.0156,1965@0.0152,1971@0.0152,1963@0.0147,1975@0.0147

用例 160(G)— AU 重复

python3 inference.py --mode predict --seq "$(python3 -c 'print("AU"*1000)')" --name au_repeat

输出:

[predict] seq=au_repeat 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0003 mean_don=0.0001 max_acc=0.0163 max_don=0.0020 top5_acc=1984@0.0163,1990@0.0159,1986@0.0157,1982@0.0157,1988@0.0156

用例 161(G)— dot 非碱基

python3 inference.py --mode predict --seq "$(python3 -c 'print("."*2000)')" --name dot2000

输出:

[predict] seq=dot2000 输入=(1,2000) 设备=npu:0 精度=float32 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.2784 mean_don=0.2861 max_acc=0.2784 max_don=0.2861 top5_acc=1999@0.2784,670@0.2784,657@0.2784,658@0.2784,659@0.2784

用例 162(G)— 未知基因错误

python3 inference.py --mode predict --gene NONEXISTENT

输出:

[ERROR] ValueError: 未知基因模板: NONEXISTENT

用例 163(G)— polyG (npu:0 float16)

python3 inference.py --mode predict --pattern polyG --dtype float16

输出:

[predict] seq=polyG_f16 输入=(1,2000) 设备=npu:0 精度=float16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0062 mean_don=0.0001 max_acc=0.1865 max_don=0.0060 top5_acc=1964@0.1865,1960@0.1836,1963@0.1819,1965@0.1819,1961@0.1813

用例 164(G)— polyU (npu:0 float16)

python3 inference.py --mode predict --pattern polyU --dtype float16

输出:

[predict] seq=polyU_f16 输入=(1,2000) 设备=npu:0 精度=float16 耗时=0.000s n_acceptor=0 n_donor=0 n_neither=2000 mean_acc=0.0002 mean_don=0.0000 max_acc=0.0051 max_don=0.0005 top5_acc=1974@0.0051,1971@0.0051,1973@0.0051,1981@0.0051,1970@0.0050

9. 关键实现说明

  • 引擎选型:OpenSpliceAI 为 1D 扩张残差 CNN 判别式序列预测模型(非自回归 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。
  • 可变长输入:OpenSpliceAI 接受可变长 pre-mRNA 序列,tokenizer 自动处理 大小写、U/T 替换、N 占位;无固定长度要求(与 DeepCpG-DNA 的 1001 bp 固定长度 不同)。
  • N 的 one-hot 编码:RnaTokenizer 将 N(id 4)视为未知/占位碱基,IUPAC 简并碱基(R/Y/S/W/K/M/B/D/H/V)在 RnaTokenizer 中映射到 N/unk。
  • 三分类输出:模型输出 (batch, seq_len, 3) logit(neither, acceptor, donor),softmax 得到概率;inference.py 报告每个位置的 argmax 分类统计、 acceptor/donor 概率的均值/最大值、Top-5 最高置信度 acceptor 位置。
  • 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 ≈ 2e-3)。该模型输出 logit 动态范围较大(实测 约 -20 ~ +15),bf16/fp16 差异较大(max_abs_diff ≈ 0.1),建议使用 float32 精度3。
  • 精度建议:模型 config dtype: float32,float32 为推荐精度;实测 bf16 / fp16 精度损失较大,生产环境推荐 float32。

10. 参考资料

  • OpenSpliceAI 论文(Chao et al. 2025)
  • SpliceAI 论文(Jaganathan et al. 2019)
  • multimolecule/openspliceai-zebrafish.2000(HuggingFace)
  • MultiMolecule 项目
  • MultiMolecule 仓库
  • OpenSpliceAI 官方仓库
  • 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. OpenSpliceAI 为 1D 扩张残差 CNN 判别式序列预测模型,输入可变长 pre-mRNA 序列,输出每个位置的三分类剪切位点概率;不是自回归 LLM,因此使用 torch_npu 推理引擎而非 vLLM-Ascend / sglang。 ↩ ↩2

  2. 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。 ↩

  3. OpenSpliceAI 的 logit 动态范围较大(实测约 -20 ~ +15),NPU 上 fp32-vs-bf16 max_abs_diff ≈ 0.1、fp32-vs-fp16 max_abs_diff ≈ 0.07, 半精度精度损失较明显;float32 为该模型的推荐推理精度(与模型 config dtype: float32 一致)。 ↩ ↩2