用途：将基于 TensorFlow/Keras 的蛋白质功能预测框架 DeepFRI 迁移到 PyTorch 并运行于昇腾 NPU，覆盖 TF 模型权重分析、PyTorch 重写、逐层权重映射、NPU 推理与精度验证。
主要能力：支持 DeepCNN（16 路并行 Conv1D→BatchNorm→ReLU→GlobalMaxPool→FuncPredictor）与 DeepFRI GCN（LSTM LM→Embedding→3×MultiGraphConv→SumPool→Dense→FuncPredictor）两条路径；支持 MF、BP、CC、EC 四种 Ontology；提供 torch_layers.py、torch_model.py、torch_predictor.py、convert_weights.py、predict_npu.py、verify_accuracy.py 等文件。
使用方式：前置条件为 Ascend910 系列（至少 1 卡）、CANN≥8.2（推荐 8.3.RC1）、Python 3.10、PyTorch 2.5.1、torch_npu 2.5.1。克隆 DeepFRI 仓库并下载 GPU 版预训练模型，创建 Conda 环境，安装依赖，source /home/Ascend/ascend-toolkit/set_env.sh 后验证 NPU 可用。用 h5py 读取 HDF5 权重结构，复制 scripts 目录文件到仓库对应位置，运行 python convert_weights.py 生成 trained_models/pytorch/*.pt，再用 python predict_npu.py --seq '...' -ont mf --verbose --device npu:0 或 --fasta_fn examples/pdb_chains.fasta 推理，最后运行 python verify_accuracy.py 验证精度。
关键转换规则：Dense kernel 转置 .T；Conv1D kernel 用 np.transpose(w,(2,1,0)) 且输入需 transpose；BatchNorm 的 gamma/beta/moving_mean/moving_var 直接复制，但必须设 eps=1e-3（TF 默认 1e-3，PyTorch 默认 1e-5，不匹配会导致输出全为 0）；CuDNNLSTM 的 kernel/recurrent_kernel 转置，bias (8*H,) 拆分为 bias_ih 与 bias_hh。
适用场景：需要在 Ascend NPU 上运行 DeepFRI CNN 或 GCN 路径、进行 TF 到 PyTorch 模型迁移与精度对齐的蛋白质功能预测任务。
限制：GPU 版 GCN 模型内嵌 CuDNNLSTM，标准 LSTM 在深层 MultiGraphConv 中数值放大，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 警告但不影响精度；Ascend910 不支持 fp64，torch_npu 自动降级为 fp32。