如何看懂ProCapNet NPU的预测结果？profile_logits与count

如何看懂ProCapNet NPU的预测结果？profile_logits与count_logits一次讲清

【免费下载链接】procapnet-npu用户可直接在昇腾910B系列NPU上运行ProCapNet模型，从DNA序列预测PRO-cap转录起始信号。项目提供完整本地模型快照与推理脚本，输出profile_logits和count_logits，支持多样本回归验证与精度对比，单次推理约13ms。项目地址: https://ai.gitcode.com/atlasleong/procapnet-npu

ProCapNet NPU 让 ProCapNet 模型直接在昇腾 910B 系列 NPU 上运行，从一段 DNA 序列预测 PRO-cap 转录起始信号，单次推理约 13ms。它的输出只有两个核心张量：profile_logits（碱基分辨率的信号曲线）和count_logits（整体转录起始量）。这篇指南帮你从零读懂这两个输出，看懂终端里的一行行验收标记，几分钟上手结果判读。

ProCapNet 模型在预测什么？

一句话概括：给你 2114 bp 的 DNA 窗口，它输出中间 1000 bp 区域、两条链（正链/负链）上每个碱基位置的转录起始信号。

输入：固定长度 2114 bp 的 DNA 序列（仅含 A/C/G/T）
模型：基于 BPNet 架构的一维膨胀卷积网络，约 6.43M 参数
运行位置：逻辑设备npu:0，全程无 CPU 回退

运行前可以用npu-smi info确认设备状态。下面这张截图就是典型的昇腾 910B NPU 设备调用现场：8 张 910B4-1 全部健康，推理进程（python）正跑在 NPU 5 上，占用约 155MB 显存。

预测结果的两个核心输出

模型一次前向只产出两个东西，理解它们是看懂结果的关键：

profile_logits：每个位置的双链信号强度

形状为(1, 1000, 2)：

维度	含义
1000	输出窗口的碱基位置数
2	两条链：0 = 正链，1 = 负链

可以把它想象成一条"信号曲线"：数值越大，该位置越可能是转录起始点。对每个位置在两条链上取 argmax，就得到class_ids（形状(1, 1000)），表示该位置信号主要来自哪条链。

count_logits：整体的转录起始量

形状为(1, 1)，只有一个数。它回归的是这个窗口的总起始量（训练目标为log(count+1)）。

💡 二者是"形状 × 幅度"的分解：profile_logits回答"信号分布在哪里、在哪条链"，count_logits回答"信号总量有多大"。想要最终的碱基分辨率 track，只需调用模型的postprocess把两者重组。

三步快速看懂终端输出

运行 inference.py 后，终端会打印一组验收标记。下面是真实的模型输出结果截图：

第一步：核对输出形状（有没有算对）

profile_logits_shape=[1, 1000, 2] count_logits_shape=[1, 1] input_ids_shape=[1, 2114] class_ids_shape=[1, 1000]

四个形状对上，说明输入、前向、输出全部符合预期。

第二步：读 strand 分布（预测了什么）

PREDICTED_CLASS=1 0 0 0 1 1 0 1 0 0 0 ...（共 1000 个 0/1 值） ARGMAX_STRAND_COUNTS=0:533,1:467

PREDICTED_CLASS：1000 个位置的逐位置双链 argmax 索引，0=正链、1=负链
ARGMAX_STRAND_COUNTS：整体分布统计。上例中正链 533 个位置、负链 467 个，信号基本均衡

这个分布不是写死的，而是每次真实前向在运行时计算产生，并与 CPU 基线完全一致（10/10 样本回归通过）。

第三步：检查有效性与设备标记（结果可信吗）

PROFILE_LOGITS_FINITE=True NAN_INF_CHECK=nan:True,inf:True CPU_FALLBACK=false EXIT_CODE=0

FINITE=True+ 无 NaN/Inf：数值健康，可放心使用
CPU_FALLBACK=false：确认整条链路（输入、参数、输出）都真正跑在npu:0上
EXIT_CODE=0：推理成功退出

路径	内容
`inference.py`	自包含推理入口，打印全部验收标记
`model/README.md`	模型卡：架构规格、用法示例、训练细节
`model/config.json`	模型配置（`sequence_length=2114`、`profile_length=1000`、`num_strands=2`等）
`model/model.safetensors`	本地模型权重快照（加载时`local_files_only=True`，无需联网）
`requirements.txt`	运行时依赖锁定（`multimolecule==0.2.1`等）

性能与精度如何？

速度：预热 3 次、重复计时 10 次（每次计时前执行torch.npu.synchronize()），实测中位数约12.98ms、均值约 12.96ms，单次推理基本稳定在 13ms 左右
精度：CPU 基线与 NPU 输出对比，max_abs_error ≈ 0.00078、mean_abs_error ≈ 0.00021，离散输出（argmax）100% 一致，远低于 0.01 的判定阈值

常见问题速答

Q：profile_logits 里的值直接就是概率吗？不完全是。它是连续型的 logit 分数，表示相对信号强度；class_ids才是取 argmax 后的离散链归属。

Q：count_logits 越大越好吗？它反映该窗口整体的转录起始量大小，数值大小取决于序列本身，与"预测好坏"无关。

Q：为什么输入是 2114 bp、输出只有 1000 个位置？模型以 2114 bp 窗口读取上下文，预测中心 1000 bp 区域的碱基分辨率信号，这是 ProCapNet 的标准设定（见model/config.json）。

小结

看懂 ProCapNet NPU 的预测结果只需记住三件事：profile_logits (1,1000,2)看信号曲线与链归属，count_logits (1,1)看整体量级，再核对形状、NaN 检查与EXIT_CODE=0三个验收点。掌握了这套判读方法，你就能独立验证任何一次 NPU 推理输出的正确性。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考