Back to Details

ai-for-science-deepfri

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

DeepFRI 昇腾 NPU 迁移 Skill

DeepFRI 昇腾 NPU 迁移 Skill

项目概述

项目概述

DeepFRI 是一个基于 GCN + LSTM 语言模型的蛋白质功能预测框架，原始实现基于 TensorFlow/Keras。本 Skill 记录将其完整迁移到 PyTorch + 昇腾 NPU 的全过程。
模型架构：
  • DeepCNN：16 路并行 Conv1D → BatchNorm → ReLU → GlobalMaxPool → FuncPredictor
  • DeepFRI GCN：LSTM LM → Embedding → 3×MultiGraphConv → SumPool → Dense → FuncPredictor
  • LSTM 语言模型：2 层 CuDNNLSTM（hidden=512），输出拼接为 1024 维特征
支持的 Ontology：MF（分子功能）、BP（生物过程）、CC（细胞组分）、EC（酶分类）
DeepFRI 是一个基于 GCN + LSTM 语言模型的蛋白质功能预测框架，原始实现基于 TensorFlow/Keras。本 Skill 记录将其完整迁移到 PyTorch + 昇腾 NPU 的全过程。
模型架构：
  • DeepCNN：16 路并行 Conv1D → BatchNorm → ReLU → GlobalMaxPool → FuncPredictor
  • DeepFRI GCN：LSTM LM → Embedding → 3×MultiGraphConv → SumPool → Dense → FuncPredictor
  • LSTM 语言模型：2 层 CuDNNLSTM（hidden=512），输出拼接为 1024 维特征
支持的 Ontology：MF（分子功能）、BP（生物过程）、CC（细胞组分）、EC（酶分类）

前置条件

前置条件

项目要求
硬件Ascend910 系列（至少 1 卡）
CANN≥ 8.2（推荐 8.3.RC1）
Python3.10
PyTorch2.5.1
torch_npu2.5.1
项目要求
硬件Ascend910 系列（至少 1 卡）
CANN≥ 8.2（推荐 8.3.RC1）
Python3.10
PyTorch2.5.1
torch_npu2.5.1

迁移步骤

迁移步骤

Step 1：克隆仓库 & 下载模型

Step 1：克隆仓库 & 下载模型

bash
cd /home/panjingxu
git clone https://github.com/flatironinstitute/DeepFRI.git
cd DeepFRI
bash
cd /home/panjingxu
git clone https://github.com/flatironinstitute/DeepFRI.git
cd DeepFRI

下载 GPU 版预训练模型（README 精度参考值基于此版本）

下载 GPU 版预训练模型（README 精度参考值基于此版本）

wget https://users.flatironinstitute.org/~renfrew/DeepFRI_data/trained_models.tar.gz tar xzf trained_models.tar.gz

> **注意**：官网提供两个版本：
> - `trained_models.tar.gz`（GPU 版）：CNN + MultiGraphConv + CuDNNLSTM，README 精度参考值基于此
> - `newest_trained_models.tar.gz`（CPU 版）：CNN + GraphConv + 标准 LSTM，结构不同、goterms 数量不同
wget https://users.flatironinstitute.org/~renfrew/DeepFRI_data/trained_models.tar.gz tar xzf trained_models.tar.gz

> **注意**：官网提供两个版本：
> - `trained_models.tar.gz`（GPU 版）：CNN + MultiGraphConv + CuDNNLSTM，README 精度参考值基于此
> - `newest_trained_models.tar.gz`（CPU 版）：CNN + GraphConv + 标准 LSTM，结构不同、goterms 数量不同

Step 2：创建 Conda 环境

Step 2：创建 Conda 环境

bash
export PIP_INDEX_URL=https://repo.huaweicloud.com/repository/pypi/simple/

conda create -n deepfri_npu python=3.10 -y
conda activate deepfri_npu
bash
export PIP_INDEX_URL=https://repo.huaweicloud.com/repository/pypi/simple/

conda create -n deepfri_npu python=3.10 -y
conda activate deepfri_npu

TF（仅用于权重提取，可选）

TF（仅用于权重提取，可选）

pip install tensorflow numpy==1.26.4 biopython scikit-learn
pip install tensorflow numpy==1.26.4 biopython scikit-learn

PyTorch + NPU

PyTorch + NPU

pip install torch==2.5.1 torch_npu==2.5.1 pip install pyyaml decorator attrs psutil cloudpickle tornado
undefined
pip install torch==2.5.1 torch_npu==2.5.1 pip install pyyaml decorator attrs psutil cloudpickle tornado
undefined

Step 3：验证 NPU 可用

Step 3：验证 NPU 可用

bash
source /home/Ascend/ascend-toolkit/set_env.sh
python3 -c "import torch; import torch_npu; a = torch.randn(3,4).npu(); print(a+a)"
bash
source /home/Ascend/ascend-toolkit/set_env.sh
python3 -c "import torch; import torch_npu; a = torch.randn(3,4).npu(); print(a+a)"

Step 4：分析 TF 模型权重结构

Step 4：分析 TF 模型权重结构

由于 TF 2.x 新版无法加载 CuDNNLSTM，直接用 h5py 读取 HDF5 权重：
python
import h5py
f = h5py.File('trained_models/DeepFRI-MERGED_xxx.hdf5', 'r')
mw = f['model_weights']
for layer_name in mw.keys():
    grp = mw[layer_name]
    def print_ds(name, obj):
        if isinstance(obj, h5py.Dataset):
            print(f"  {name}: {obj.shape}")
    grp.visititems(print_ds)
f.close()
由于 TF 2.x 新版无法加载 CuDNNLSTM，直接用 h5py 读取 HDF5 权重：
python
import h5py
f = h5py.File('trained_models/DeepFRI-MERGED_xxx.hdf5', 'r')
mw = f['model_weights']
for layer_name in mw.keys():
    grp = mw[layer_name]
    def print_ds(name, obj):
        if isinstance(obj, h5py.Dataset):
            print(f"  {name}: {obj.shape}")
    grp.visititems(print_ds)
f.close()

Step 5：部署 PyTorch 模型文件 & 转换权重

Step 5：部署 PyTorch 模型文件 & 转换权重

将本 Skill 的 
scripts/
目录下的文件复制到 DeepFRI 仓库对应位置：
bash
SKILL_DIR=/path/to/awesome-ascend-skills/ai-for-science/models/deepfri/scripts
REPO_DIR=/path/to/DeepFRI   # 替换为实际路径
将本 Skill 的 
scripts/
目录下的文件复制到 DeepFRI 仓库对应位置：
bash
SKILL_DIR=/path/to/awesome-ascend-skills/ai-for-science/models/deepfri/scripts
REPO_DIR=/path/to/DeepFRI   # 替换为实际路径

复制 PyTorch 模型文件到 deepfrier 包内

复制 PyTorch 模型文件到 deepfrier 包内

cp $SKILL_DIR/torch_layers.py $REPO_DIR/deepfrier/ cp $SKILL_DIR/torch_model.py $REPO_DIR/deepfrier/ cp $SKILL_DIR/torch_predictor.py $REPO_DIR/deepfrier/
cp $SKILL_DIR/torch_layers.py $REPO_DIR/deepfrier/ cp $SKILL_DIR/torch_model.py $REPO_DIR/deepfrier/ cp $SKILL_DIR/torch_predictor.py $REPO_DIR/deepfrier/

复制脚本到仓库根目录

复制脚本到仓库根目录

cp $SKILL_DIR/convert_weights.py $REPO_DIR/ cp $SKILL_DIR/predict_npu.py $REPO_DIR/ cp $SKILL_DIR/verify_accuracy.py $REPO_DIR/

然后转换权重：

```bash
cd $REPO_DIR
python convert_weights.py
cp $SKILL_DIR/convert_weights.py $REPO_DIR/ cp $SKILL_DIR/predict_npu.py $REPO_DIR/ cp $SKILL_DIR/verify_accuracy.py $REPO_DIR/

然后转换权重：

```bash
cd $REPO_DIR
python convert_weights.py

生成 trained_models/pytorch/*.pt

生成 trained_models/pytorch/*.pt


**scripts 目录文件清单：**

| 文件 | 目标位置 |
|------|---------|
| `scripts/torch_layers.py` | `deepfrier/torch_layers.py` |
| `scripts/torch_model.py` | `deepfrier/torch_model.py` |
| `scripts/torch_predictor.py` | `deepfrier/torch_predictor.py` |
| `scripts/convert_weights.py` | `convert_weights.py` |
| `scripts/predict_npu.py` | `predict_npu.py` |
| `scripts/verify_accuracy.py` | `verify_accuracy.py` |

**scripts 目录文件清单：**

| 文件 | 目标位置 |
|------|---------|
| `scripts/torch_layers.py` | `deepfrier/torch_layers.py` |
| `scripts/torch_model.py` | `deepfrier/torch_model.py` |
| `scripts/torch_predictor.py` | `deepfrier/torch_predictor.py` |
| `scripts/convert_weights.py` | `convert_weights.py` |
| `scripts/predict_npu.py` | `predict_npu.py` |
| `scripts/verify_accuracy.py` | `verify_accuracy.py` |

Step 6：NPU 推理

Step 6：NPU 推理

bash
source /home/Ascend/ascend-toolkit/set_env.sh
bash
source /home/Ascend/ascend-toolkit/set_env.sh

CNN 序列输入（对应 README Option 2）

CNN 序列输入（对应 README Option 2）

python predict_npu.py
--seq 'SMTDLLSAEDIKKAIGAFTAADSFDHKKFFQMVGLKKKSADDVKKVFHILDKDKDGFIDEDELGSILKGFSSDARDLSAKETKTLMAAGDKDGDGKIGVEEFSTLVAES'
-ont mf --verbose --device npu:0
python predict_npu.py
--seq 'SMTDLLSAEDIKKAIGAFTAADSFDHKKFFQMVGLKKKSADDVKKVFHILDKDKDGFIDEDELGSILKGFSSDARDLSAKETKTLMAAGDKDGDGKIGVEEFSTLVAES'
-ont mf --verbose --device npu:0

CNN fasta 输入（对应 README Option 3）

CNN fasta 输入（对应 README Option 3）

python predict_npu.py
--fasta_fn examples/pdb_chains.fasta
-ont mf --verbose --device npu:0
undefined
python predict_npu.py
--fasta_fn examples/pdb_chains.fasta
-ont mf --verbose --device npu:0
undefined

Step 7：精度验证

Step 7：精度验证

bash
python verify_accuracy.py
bash
python verify_accuracy.py

关键转换规则

关键转换规则

Dense / Linear

Dense / Linear

TFPyTorch转换
kernel: (in, out)
weight: (out, in)
转置 
.T
bias: (out,)
bias: (out,)
直接复制
TFPyTorch转换
kernel: (in, out)
weight: (out, in)
转置 
.T
bias: (out,)
bias: (out,)
直接复制

Conv1D

Conv1D

TFPyTorch转换
输入 
(batch, length, channels)
输入 
(batch, channels, length)
前后 transpose
kernel: (K, Cin, Cout)
weight: (Cout, Cin, K)
np.transpose(w, (2,1,0))
bias: (Cout,)
bias: (Cout,)
直接复制
TFPyTorch转换
输入 
(batch, length, channels)
输入 
(batch, channels, length)
前后 transpose
kernel: (K, Cin, Cout)
weight: (Cout, Cin, K)
np.transpose(w, (2,1,0))
bias: (Cout,)
bias: (Cout,)
直接复制

BatchNorm（⚠️ 本次迁移最关键的坑）

BatchNorm（⚠️ 本次迁移最关键的坑）

TFPyTorch转换
gamma
weight
直接复制
beta
bias
直接复制
moving_mean
running_mean
直接复制
moving_variance
running_var
直接复制
默认 eps = 1e-3默认 eps = 1e-5必须设 
eps=1e-3
⚠️ 致命 Bug：TF BatchNorm 默认 
eps=1e-3
，PyTorch 默认 
eps=1e-5
， 差 100 倍。当 
moving_variance
含接近 0 的值时，错误 eps 导致除零爆炸， softmax 饱和为 0/1，模型输出全为 0。这是本次 CNN 迁移中最关键的发现。
TFPyTorch转换
gamma
weight
直接复制
beta
bias
直接复制
moving_mean
running_mean
直接复制
moving_variance
running_var
直接复制
默认 eps = 1e-3默认 eps = 1e-5必须设 
eps=1e-3
⚠️ 致命 Bug：TF BatchNorm 默认 
eps=1e-3
，PyTorch 默认 
eps=1e-5
， 差 100 倍。当 
moving_variance
含接近 0 的值时，错误 eps 导致除零爆炸， softmax 饱和为 0/1，模型输出全为 0。这是本次 CNN 迁移中最关键的发现。

CuDNNLSTM → nn.LSTM

CuDNNLSTM → nn.LSTM

TF CuDNNLSTMPyTorch nn.LSTM转换
kernel: (input, 4*H)
weight_ih: (4*H, input)
转置 
.T
recurrent_kernel: (H, 4*H)
weight_hh: (4*H, H)
转置 
.T
bias: (8*H,)
bias_ih: (4*H,)
+ 
bias_hh: (4*H,)
前半 + 后半拆分
python
pt_weight_ih = tf_kernel.T
pt_weight_hh = tf_recurrent_kernel.T
pt_bias_ih = tf_bias[:4 * H]   # 前半：input-hidden bias
pt_bias_hh = tf_bias[4 * H:]   # 后半：hidden-hidden bias
TF CuDNNLSTMPyTorch nn.LSTM转换
kernel: (input, 4*H)
weight_ih: (4*H, input)
转置 
.T
recurrent_kernel: (H, 4*H)
weight_hh: (4*H, H)
转置 
.T
bias: (8*H,)
bias_ih: (4*H,)
+ 
bias_hh: (4*H,)
前半 + 后半拆分
python
pt_weight_ih = tf_kernel.T
pt_weight_hh = tf_recurrent_kernel.T
pt_bias_ih = tf_bias[:4 * H]   # 前半：input-hidden bias
pt_bias_hh = tf_bias[4 * H:]   # 后半：hidden-hidden bias

精度对比结果

精度对比结果

CNN 模型 vs 官网 README（NPU Ascend910）

CNN 模型 vs 官网 README（NPU Ascend910）

测试用例GO term官网参考值NPU 输出diff状态
Option 2: seq→mf (1S3P-A)GO:0005509 calcium ion binding0.997690.997695e-6✅ PASS
Option 3: fasta→mf (1S3P-A)GO:0005509 calcium ion binding0.997690.997695e-6✅ PASS
Option 3: fasta→mf (2J9H-A)GO:0004364 glutathione transferase0.469370.469369e-6✅ PASS
Option 3: fasta→mf (2J9H-A)GO:0016765 transferase activity0.199100.199132.6e-5✅ PASS
测试用例GO term官网参考值NPU 输出diff状态
Option 2: seq→mf (1S3P-A)GO:0005509 calcium ion binding0.997690.997695e-6✅ PASS
Option 3: fasta→mf (1S3P-A)GO:0005509 calcium ion binding0.997690.997695e-6✅ PASS
Option 3: fasta→mf (2J9H-A)GO:0004364 glutathione transferase0.469370.469369e-6✅ PASS
Option 3: fasta→mf (2J9H-A)GO:0016765 transferase activity0.199100.199132.6e-5✅ PASS

CNN 全 Ontology 验证

CNN 全 Ontology 验证

Ontology状态Top 预测
MF✅ OKGO:0005509 score=0.99769 (calcium ion binding)
BP✅ OKGO:0051179 score=0.14491 (localization)
CC✅ OKGO:0005829 score=0.23145 (cytosol)
EC✅ OK无超过阈值的预测（该蛋白非酶，符合预期）
Ontology状态Top 预测
MF✅ OKGO:0005509 score=0.99769 (calcium ion binding)
BP✅ OKGO:0051179 score=0.14491 (localization)
CC✅ OKGO:0005829 score=0.23145 (cytosol)
EC✅ OK无超过阈值的预测（该蛋白非酶，符合预期）

GCN 模型说明

GCN 模型说明

GPU 版 GCN 模型内嵌 CuDNNLSTM 语言模型。CuDNNLSTM 为 GPU 专用权重， 在标准 LSTM（PyTorch nn.LSTM）上运行时，逐步浮点差异经过 3 层 MultiGraphConv 图卷积被指数级放大，导致最终输出饱和。如需 GCN 功能，建议下载官网 
newest_trained_models.tar.gz
（CPU 版），使用标准 LSTM + GraphConv。
GPU 版 GCN 模型内嵌 CuDNNLSTM 语言模型。CuDNNLSTM 为 GPU 专用权重， 在标准 LSTM（PyTorch nn.LSTM）上运行时，逐步浮点差异经过 3 层 MultiGraphConv 图卷积被指数级放大，导致最终输出饱和。如需 GCN 功能，建议下载官网 
newest_trained_models.tar.gz
（CPU 版），使用标准 LSTM + GraphConv。

新增文件清单

新增文件清单

文件行数说明
deepfrier/torch_layers.py
199PyTorch 版图卷积层（MultiGraphConv, GraphConv, SAGEConv, NoGraphConv, ChebConv, SumPooling, FuncPredictor）
deepfrier/torch_model.py
124PyTorch 版模型（LSTMLanguageModel, DeepFRIGCN, DeepCNN）
deepfrier/torch_predictor.py
178PyTorch 版推理预测器（PredictorPyTorch，兼容原始 TF 版接口）
convert_weights.py
147TF HDF5 → PyTorch state_dict 权重转换（LSTM/GCN/CNN）
predict_npu.py
46NPU 推理入口脚本（含 
transfer_to_npu
自动迁移注入）
verify_accuracy.py
72精度对比验证脚本（对比官网 README 参考值）
文件行数说明
deepfrier/torch_layers.py
199PyTorch 版图卷积层（MultiGraphConv, GraphConv, SAGEConv, NoGraphConv, ChebConv, SumPooling, FuncPredictor）
deepfrier/torch_model.py
124PyTorch 版模型（LSTMLanguageModel, DeepFRIGCN, DeepCNN）
deepfrier/torch_predictor.py
178PyTorch 版推理预测器（PredictorPyTorch，兼容原始 TF 版接口）
convert_weights.py
147TF HDF5 → PyTorch state_dict 权重转换（LSTM/GCN/CNN）
predict_npu.py
46NPU 推理入口脚本（含 
transfer_to_npu
自动迁移注入）
verify_accuracy.py
72精度对比验证脚本（对比官网 README 参考值）

predict_npu.py（NPU 入口脚本）

predict_npu.py（NPU 入口脚本）

入口脚本顶部注入 
transfer_to_npu
，自动将 
torch.cuda.*
映射到 
torch.npu.*
：
python
import torch_npu
from torch_npu.contrib import transfer_to_npu
from deepfrier.torch_predictor import PredictorPyTorch
入口脚本顶部注入 
transfer_to_npu
，自动将 
torch.cuda.*
映射到 
torch.npu.*
：
python
import torch_npu
from torch_npu.contrib import transfer_to_npu
from deepfrier.torch_predictor import PredictorPyTorch

convert_weights.py 核心逻辑

convert_weights.py 核心逻辑

  1. 用 
    h5py
    读取 TF HDF5 模型中 
    model_weights
    组的所有 Dataset
  2. CuDNNLSTM：kernel/recurrent_kernel 转置，bias 
    (8*H,)
    拆分为 ih + hh
  3. MultiGraphConv：kernel 直接复制（TF 和 PyTorch 都是 
    (in, out)
    矩阵乘法）
  4. Dense：kernel 转置 
    .T
  5. Conv1D：kernel 
    np.transpose(w, (2,1,0))
  6. BatchNorm：gamma/beta/moving_mean/moving_var 直接复制
  1. 用 
    h5py
    读取 TF HDF5 模型中 
    model_weights
    组的所有 Dataset
  2. CuDNNLSTM：kernel/recurrent_kernel 转置，bias 
    (8*H,)
    拆分为 ih + hh
  3. MultiGraphConv：kernel 直接复制（TF 和 PyTorch 都是 
    (in, out)
    矩阵乘法）
  4. Dense：kernel 转置 
    .T
  5. Conv1D：kernel 
    np.transpose(w, (2,1,0))
  6. BatchNorm：gamma/beta/moving_mean/moving_var 直接复制

torch_layers.py 关键实现

torch_layers.py 关键实现

MultiGraphConv 的 
_normalize
方法对应 TF 版的三路归一化：
python
def _normalize(self, A, eps=1e-6):
    # 去除自环
    A = A.clone()
    diag = torch.diagonal(A, dim1=-2, dim2=-1)
    A = A - torch.diag_embed(diag)
    A_hat = A + eye
    deg = A_hat.sum(dim=2)
    D_asymm = torch.diag_embed(1.0 / (eps + deg))
    D_symm = torch.diag_embed(1.0 / (eps + deg.sqrt()))
    # 返回三路：[原始A, 非对称归一化, 对称归一化]
    return [A, D_asymm @ A_hat, D_symm @ A_hat @ D_symm]
三路结果分别与特征矩阵相乘后拼接，再经过线性变换和 ELU 激活。
MultiGraphConv 的 
_normalize
方法对应 TF 版的三路归一化：
python
def _normalize(self, A, eps=1e-6):
    # 去除自环
    A = A.clone()
    diag = torch.diagonal(A, dim1=-2, dim2=-1)
    A = A - torch.diag_embed(diag)
    A_hat = A + eye
    deg = A_hat.sum(dim=2)
    D_asymm = torch.diag_embed(1.0 / (eps + deg))
    D_symm = torch.diag_embed(1.0 / (eps + deg.sqrt()))
    # 返回三路：[原始A, 非对称归一化, 对称归一化]
    return [A, D_asymm @ A_hat, D_symm @ A_hat @ D_symm]
三路结果分别与特征矩阵相乘后拼接，再经过线性变换和 ELU 激活。

torch_model.py DeepCNN 关键适配

torch_model.py DeepCNN 关键适配

python
undefined
python
undefined

BatchNorm eps 必须匹配 TF 默认值

BatchNorm eps 必须匹配 TF 默认值

self.bn = nn.BatchNorm1d(total_filters, eps=1e-3)
self.bn = nn.BatchNorm1d(total_filters, eps=1e-3)

Conv1D 输入需要 transpose

Conv1D 输入需要 transpose

def forward(self, seq): x = seq.transpose(1, 2) # (batch, length, ch) → (batch, ch, length) conv_outs = [conv(x) for conv in self.conv_layers] x = torch.cat(conv_outs, dim=1) x = self.bn(x) x = F.relu(x) x = x.max(dim=2)[0] # GlobalMaxPool return self.func_predictor(x)

---
def forward(self, seq): x = seq.transpose(1, 2) # (batch, length, ch) → (batch, ch, length) conv_outs = [conv(x) for conv in self.conv_layers] x = torch.cat(conv_outs, dim=1) x = self.bn(x) x = F.relu(x) x = x.max(dim=2)[0] # GlobalMaxPool return self.func_predictor(x)

---

迁移经验总结

迁移经验总结

踩过的坑（按严重程度排序）

踩过的坑（按严重程度排序）

  1. BatchNorm eps 不匹配（最致命）：TF 默认 
    1e-3
    ，PyTorch 默认 
    1e-5
    ， 导致 CNN 输出全为 0。修复：
    nn.BatchNorm1d(dim, eps=1e-3)
  2. CuDNNLSTM 平台限制：GPU 版模型内嵌 CuDNNLSTM，在 aarch64 + NPU 上 无法用 TF 加载验证。解决方案：用 h5py 直接读权重 + numpy 手动验证单步
  3. TF 2.x 不兼容 CuDNNLSTM：TF 2.21 的 
    load_model
    不识别 
    CuDNNLSTM
    。 解决方案：绕过模型加载，直接从 HDF5 提取权重
  4. Conv1D 维度顺序：TF 
    (batch, length, channels)
    vs PyTorch 
    (batch, channels, length)
    ， 前后需要 transpose
  1. BatchNorm eps 不匹配（最致命）：TF 默认 
    1e-3
    ，PyTorch 默认 
    1e-5
    ， 导致 CNN 输出全为 0。修复：
    nn.BatchNorm1d(dim, eps=1e-3)
  2. CuDNNLSTM 平台限制：GPU 版模型内嵌 CuDNNLSTM，在 aarch64 + NPU 上 无法用 TF 加载验证。解决方案：用 h5py 直接读权重 + numpy 手动验证单步
  3. TF 2.x 不兼容 CuDNNLSTM：TF 2.21 的 
    load_model
    不识别 
    CuDNNLSTM
    。 解决方案：绕过模型加载，直接从 HDF5 提取权重
  4. Conv1D 维度顺序：TF 
    (batch, length, channels)
    vs PyTorch 
    (batch, channels, length)
    ， 前后需要 transpose

适用于其他项目的通用经验

适用于其他项目的通用经验

  • 遇到 TF 模型无法加载时，优先用 
    h5py
    直接读取 HDF5 权重结构
  • 所有归一化层（LayerNorm、BatchNorm）都要检查 eps 默认值
  • CuDNNLSTM bias 
    (8*H,)
    拆分规则：前半 = input bias，后半 = recurrent bias
  • 转换后先对比中间层输出（mean/std/min/max），定位第一个 diverge 的层
  • 遇到 TF 模型无法加载时，优先用 
    h5py
    直接读取 HDF5 权重结构
  • 所有归一化层（LayerNorm、BatchNorm）都要检查 eps 默认值
  • CuDNNLSTM bias 
    (8*H,)
    拆分规则：前半 = input bias，后半 = recurrent bias
  • 转换后先对比中间层输出（mean/std/min/max），定位第一个 diverge 的层

已知限制

已知限制

  • GCN 模型（cmap 输入）使用 CuDNNLSTM 语言模型，该权重为 GPU 专用，标准 LSTM 在深层 MultiGraphConv 中会出现数值放大。如需 GCN 功能，建议使用官网 CPU 版模型
  • CNN 
    padding='same'
    对偶数 kernel size 会有 PyTorch 警告，不影响精度
  • Ascend910 不支持 fp64，torch_npu 自动降级为 fp32，不影响本模型
  • GCN 模型（cmap 输入）使用 CuDNNLSTM 语言模型，该权重为 GPU 专用，标准 LSTM 在深层 MultiGraphConv 中会出现数值放大。如需 GCN 功能，建议使用官网 CPU 版模型
  • CNN 
    padding='same'
    对偶数 kernel size 会有 PyTorch 警告，不影响精度
  • Ascend910 不支持 fp64，torch_npu 自动降级为 fp32，不影响本模型

参考资料

参考资料

  • DeepFRI 权重转换与精度对齐清单：
    references/weight-conversion-checklist.md
  • DeepFRI 权重转换与精度对齐清单：
    references/weight-conversion-checklist.md