企业官网建设流程全解析

如何把真实数据喂给test-patchtsmixer-npu：past_values(512×7)输入构造指南

【免费下载链接】test-patchtsmixer-npu用户可直接运行此项目在华为昇腾NPU上执行PatchTSMixer多变量时序预测，获取96步未来预测值（含位置logits与类别argmax），并验证模型精度与性能。项目包含完整迁移交付物（模型权重、推理脚本、输出校验），全程无CPU回退，实测单次前向仅需10.58毫秒。项目地址: https://ai.gitcode.com/atlasleong/test-patchtsmixer-npu

test-patchtsmixer-npu 是一个可以直接在华为昇腾 NPU 上运行的 PatchTSMixer 多变量时序预测项目：给它一份past_values（512 步 × 7 通道）的历史输入，它就能在 NPU 上完成一次完整前向，输出96 步未来预测值（含位置 logits 与每位置的通道 argmax）。本指南带你从零理解这个输入契约，并把真实业务数据一步步构造、喂进模型，全程无需 CPU 回退。

先看懂输入契约：past_values 到底是什么

一句话：模型只认形状为 (1, 512, 7) 的 float32 张量，即batch=1 × 512 个历史时间点 × 7 个变量通道。

这些数字不是拍脑袋定的，全部固化在 model/config.json 里：

翻译成人话就是三条硬规则：

• 512：必须给满最近 512 个点，且按时间顺序排列（旧 → 新，最新在尾部）
• 7：7 个变量通道，顺序与上游预训练（ibm/patchtsmixer-etth1-pretrain）保持一致
• 输出：position_logits (1, 96, 7)连续预测 +class_ids (1, 96)每个预测位置在通道维上的 argmax，逻辑见 common.py 的run_forward()

快速核对昇腾 NPU 环境

喂数据之前，先用npu-smi info确认设备在线。推理脚本 inference.py 在检测不到 NPU 时会直接抛出RuntimeError，设计上就没有 CPU 回退路径，所以环境这一步不能省：

运行依赖见 requirements.txt（transformers==5.15.0 等 5 个 pin，torch / torch_npu 2.9.0 与 CANN 8.5.1 由昇腾 worker 镜像提供）。模型权重快照在本地 model/model.safetensors（fp32，196,144 参数，36 个张量），以local_files_only=True加载，运行时不访问网络。尚未拉取项目的同学先执行：

git clone https://gitcode.com/atlasleong/test-patchtsmixer-npu

四步构造真实数据 past_values(512×7)

第一步：截取最近 512 个历史点

从你的数据集中取最后 512 行，保持时间顺序、最新点放在末尾——模型是从最后一个点往后继续预测的，顺序放反等于把“未来”喂成了“过去”。

第二步：对齐 7 个通道顺序

7 列变量必须与预训练时一致（上游为 ETTh1 的 7 个变量，如 Hu、Hl、LH、Ll、VL、VQ、PV 等）。换成自己的业务变量时，按模型预期的通道顺序填列，不要随意重排。

第三步：标准化（最容易被忽略的关键步）

config.json中scaling=true，且项目内置的合成输入是标准正态随机数（均值 ≈ 0、std ≈ 1，见 common.py 的make_input()）。因此真实数据应先做z-score 标准化：(x - mean) / std，统计量用这 512 点窗口或全量历史计算。跳过这步，输出分布会整体漂移。

第四步：构造张量并放到 NPU

import numpy as np import torch window = my_data[-512:, :7] # 真实数据 (512, 7) window = (window - window.mean(axis=0)) / window.std(axis=0) # 标准化 past_values = ( torch.from_numpy(window.astype("float32")) # 必须是 float32 .unsqueeze(0) # 加 batch 维 → (1, 512, 7) .to("npu:0") )

⚠️ 注意：Ascend 910B 不支持 fp64，全程保持 float32 即可，无需改 dtype。

喂给模型并验证输出

默认情况下 inference.py 用固定种子（20260815）生成的确定性合成输入做验收前向；换成真实数据时，把main()中past_values = common.make_input(...)这一行替换为你自己构造的张量即可，其余加载与前向逻辑都不用动：

with torch.no_grad(): out = model(past_values=past_values) position_logits = out.prediction_outputs.float() # (1, 96, 7)，96 步预测

运行后重点看终端输出的这几个标记：

• INPUT_SEQUENCE=(1, 512, 7);mean=...—— 确认模型实际吃到的输入形状与均值（换成真实数据后，mean 会不再是合成输入的 -0.021139，这是正常的）
• FORECAST=/FORECAST_COUNT=672—— 前 8 个真实预测值与总预测元素数（96×7）
• INFERENCE_WALL_MS=—— 单次前向同步墙钟实测约10.58 毫秒

常见坑位清单

1. 形状不是 (1, 512, 7)：给了 511 或 513 个点、只有 6 个通道，都会直接被模型拒绝
2. 时间顺序反了：最新点放开头，预测结果会整体错位
3. 用了 fp64：NPU 不支持，统一 float32
4. 忘记标准化：原始数据量级大（几十、几百）时输出分布漂移
5. 没有 NPU 却想跑：脚本会抛RuntimeError拒绝回退，这是设计意图而非 bug

交付流水线如何校验你的输入

项目的完整流水线从模型审计 → CPU 基线 → NPU 前向 → CPU/NPU 精度对比（max_abs_error < 0.01）→ 多样本回归 → 性能实测，全部标记都由真实张量运行时计算得出（非写死）。你换入真实数据后的输出，可以对照 README.md 中记录的 21 行机器契约标记逐条核对：

小结

• past_values=(1, 512, 7)float32：最近 512 点按时间序、7 个变量按预训练通道顺序
• 先 z-score 标准化到均值 0、std 1，再.to("npu:0")
• 用终端的INPUT_SEQUENCE=与FORECAST=标记确认输入生效、输出合理
• 单次前向约 10.58 ms，一次输出 96 步未来预测 + 每位置通道 argmax

【免费下载链接】test-patchtsmixer-npu用户可直接运行此项目在华为昇腾NPU上执行PatchTSMixer多变量时序预测，获取96步未来预测值（含位置logits与类别argmax），并验证模型精度与性能。项目包含完整迁移交付物（模型权重、推理脚本、输出校验），全程无CPU回退，实测单次前向仅需10.58毫秒。项目地址: https://ai.gitcode.com/atlasleong/test-patchtsmixer-npu