dima806/fairface_age_image_detection — Ascend NPU 迁移验收

1. 模型身份

• 模型：dima806/fairface_age_image_detection（ViTForImageClassification， google/vit-base-patch16-224-in21k 在 FairFace 上微调的 9 类年龄段分类器）
• 官方 URL：https://huggingface.co/dima806/fairface_age_image_detection （镜像：https://ai.gitcode.com/hf_mirrors/dima806/fairface_age_image_detection）
• 固定 revision：4e02ab8057ea7fd74b1670940995c5dfda3e6ec0
• 权重：model.safetensors，343,245,508 bytes， SHA-256 1265d8e5a8a363a615898be873c224aebc6f310654bf23b1745da0975a7b7555
• 许可：Apache-2.0；参数量 85,805,577（探针实测）；输入 224×224 RGB （mean/std 0.5，双线性缩放），输出 9 维年龄段 logits

2. 硬件软件矩阵（平台栈未替换）

• 硬件：Ascend 910B3 单卡（逻辑设备 npu:0）
• CANN 9.0.0；Python 3.11.15；PyTorch（torch）2.10.0+cpu；torch_npu 2.10.0
• 模型级依赖（见 requirements.txt）：transformers 4.57.6、numpy 2.4.4、 pillow 12.3.0、safetensors 0.8.0；未替换任何平台组件（target_stack_gate PASS）

3. 外部权重准备与完整性门禁

权重从官方固定 revision 快照离线加载（本仓不含权重）。inference.py 启动时逐文件 校验 config.json、preprocessor_config.json 与 model.safetensors 的 SHA-256， 任何不符即 fail-closed 退出；禁止回退网络 model id （HF_HUB_OFFLINE=1、TRANSFORMERS_OFFLINE=1）。

4. 唯一推理入口

python inference.py --model_path <快照目录> --device <cpu|npu:0> \
  --seed 20260816 --output_json result.json

官方加载路径：AutoModelForImageClassification.from_pretrained(<本地快照>, local_files_only=True)。预处理与快照 preprocessor_config.json （ViTImageProcessor：双线性缩放 224×224 → /255 → mean/std 0.5 归一化）逐步一致。

5. 固定样本、输出计数与有限值要求

完整测试用例为 8 张确定性程序生成的合成 RGB fixture（固定 seed，梯度/圆环/噪声 图案，无真实人像），PNG 字节 SHA-256 冻结于 accuracy/manifest.json，运行时逐张 重新校验（input_sha256 锚定）。每图输出 9 维 logits 与 softmax 概率， 总计 8×9×2=144 值；shape、计数、样本身份、有限值（拒绝 NaN/Inf）任一不符即失败。

6. Fast-track 验收契约

本行适用 fast-track 政策：仅验证 NPU 全程真实运行，未评估精度。 验收契约（冻结于 accuracy/manifest.json）：

• NPU 端到端运行：actual_model_device/actual_tensor_device/ actual_output_device 均为 npu:0，输出完整有限，exit_status=0
• NPU 双跑逐位一致：同一冻结 fixture 两次独立 NPU 运行的全部 144 个冻结值 逐位相等，且每图 argmax 一致（accuracy/compare_accuracy.py，唯一比较器， 不启动任何推理路径）
• 负向门禁 fail-closed（见 §9）

7. 真实 NPU 运行与实测指标

实测环境：CANN 9.0.0 + torch 2.10.0+cpu + torch_npu 2.10.0 + transformers 4.57.6， 设备 npu:0（Ascend 910B3，queue 准入 est-mem 3072 MiB）。fast-track： 仅验证 NPU 全程运行，未评估精度。

• NPU 端到端运行：8 样本一次 batch 前向 forward_ms≈1871.2 ms（float32， 85,805,577 参数），actual_model_device/actual_tensor_device/ actual_output_device 实测均为 npu:0，144/144 输出值完整有限，exit_status=0
• NPU 双跑逐位一致（accuracy/accuracy.json）：144 值 mismatch=0、 max_abs_error=0.0、argmax_mismatch=0，status=PASS
• 8 张合成 fixture 的 argmax 均稳定（合成噪声图无真实语义，类别分布不构成精度结论）
• 真实 NPU 取证：进程 PID、Ascend maps、/dev/davinci fd、npu-smi 含子 PID 均采样留存于私有审计目录（监控器逐进程包裹两次运行）

8. 证据图

三张证据图（assets/agent_workflow.png / assets/npu_device_call.png / assets/model_result.png）由后半段在对应 RUN 中即时截取并放入 assets/； 本前半段交付的真实运行取证（进程 PID、Ascend maps、/dev/davinci fd、 npu-smi 含子 PID）保存在私有审计目录。

9. compare 命令与负向门禁

python accuracy/compare_accuracy.py --cpu_result <npu_run1.json> \
  --npu_result <npu_run2.json> --output_json accuracy.json

负向门禁（各一次，均按预期 fail-closed）：缺/错权重快照 → snapshot identity mismatch； 非法设备 cuda:0 → 拒绝运行；截断的 compare 输入 → primary identity ... mismatch。

10. 提交与限制

唯一验收入口为 inference.py；比较器不启动任何推理路径。fast-track 未做 CPU/NPU 数值精度比对；完整 NPU JSON、日志、PID 采样保留在私有审计区， 本仓仅含最小复现代码与摘要。匿名 HEAD 与 fresh clone 审计由协调者统一执行。

本仓为 2301_76761127 队伍交付件（与备份账号合并提交）。