用途：将蛋白质功能预测框架 DeepFRI（原始实现基于 TensorFlow/Keras）以 TF Community 方式（TF 2.6.5 + npu_device）直接部署到昇腾 NPU，无需转换为 PyTorch。相比 TF→PyTorch 迁移，代码改动极小（仅添加初始化），精度风险低，但需在 aarch64 上源码编译 TF。
主要能力：支持 DeepCNN（序列输入）与 DeepFRI GCN（接触图+序列）两类模型，覆盖 MF、BP、CC、EC 四种 Ontology；提供 CPU 与 NPU 精度对比验证方法。
使用方式：前置条件为 Ascend910 系列、CANN ≥ 8.0、Python 3.8.x、TensorFlow 2.6.5、npu_device 0.1（来自 Ascend-cann-tfplugin 8.0.RC3）、Bazel 3.7.2。步骤包括：克隆仓库并下载 CPU 版预训练模型；搭建 TF 2.6.5 + npu_device 环境（详见 ascend-tf-community Skill）；在 predict.py 添加 --npu 参数与 npu_device.open().as_default()；运行推理，如 python predict.py --npu -s '序列' -ont mf -o npu_result -v；用 verify_accuracy.py 对比 CPU 与 NPU 结果。GCN 模型需在 Predictor.py 添加 CuDNNLSTM→标准 LSTM 自动兼容加载逻辑。
适用场景：纯推理部署、快速验证、希望与原始 TF 代码保持同步的项目。
限制：aarch64 必须源码编译 TF 2.6.5；GPU 版预训练模型中的 CuDNNLSTM 在 TF 2.6 上无法加载，需使用 CPU 版模型；NPU 默认 HF32 混合精度，绝对分数有约 1e-2 差异（预测排名一致）；首次推理有算子编译开销；部分动态 shape 算子可能 fallback 到 CPU。