DenseNet121-NPU

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+DenseNet #+CNN #+密集连接

模型介绍

本仓库包含了 DenseNet121 在华为昇腾 Ascend910 NPU 上的适配版本，支持 CPU 和 NPU 两种推理方式，并提供了完整的精度验证流程。

DenseNet（Densely Connected Convolutional Networks）是一种高效的卷积神经网络架构，由康奈尔大学、清华大学和 Facebook AI 研究院于 2017 年提出（CVPR 2017 最佳论文）。其核心创新是密集连接机制（Dense Connectivity），其中每一层都接收前面所有层输出的拼接作为自己的输入。这种设计使得特征在网络中能够最大化复用、梯度能够高效反向传播，从而以更少的参数达到更优的性能。DenseNet-121 是 DenseNet 系列的 121 层版本。

原始模型地址: AIBSECO/densenet121

任务类型

图像分类（Image Classification），1000 类 ImageNet 分类

模型框架

PyTorch（torchvision）

输入格式

图像（Image），RGB 格式，预处理后为 224×224 张量

输出格式

1000 个类别的分类 logits 和概率分数

依赖环境

NPU 适配说明

本适配基于华为 Ascend910 NPU（CANN 8.5.1，显存 64GB）完成。适配内容包括：

1. 使用 torchvision 加载 DenseNet-121 预训练模型
2. 通过 model.to("npu:0") 将模型权重迁移到 NPU 设备实现加速推理
3. 对输入张量进行设备迁移以确保在 NPU 上正确运行
4. 实现了 CPU 与 NPU 推理结果的精度对比验证

环境准备

# 安装基础依赖
pip install torch torchvision torch_npu numpy Pillow -i https://mirrors.aliyun.com/pypi/simple/

# 设置 NPU 环境变量
export ASCEND_RT_VISIBLE_DEVICES=0

推理命令

CPU 推理：

python3 inference.py --device cpu

NPU 推理：

python3 inference.py --device npu

CPU vs NPU 精度对比：

python3 compare_cpu_npu.py

部署和推理方法

方式一：直接运行推理脚本

# CPU 推理
python3 inference.py --device cpu

# NPU 推理
python3 inference.py --device npu

方式二：自定义 NPU 推理

import torch
from torchvision.models import densenet121, DenseNet121_Weights
from PIL import Image
from torchvision import transforms

# 加载模型
model = densenet121(weights=DenseNet121_Weights.DEFAULT)
model = model.to("npu:0")

# 图像预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225]),
])
image = Image.open("test_image.jpg").convert("RGB")
input_tensor = transform(image).unsqueeze(0).to("npu:0")

# 推理
with torch.no_grad():
    output = model(input_tensor)

probs = torch.nn.functional.softmax(output, dim=-1)
print(probs)

CPU/NPU 精度测试方法

1. 使用 torchvision 加载 DenseNet-121 预训练模型
2. 在 CPU 上执行推理，记录输出分数和标签
3. 将模型迁移到 NPU 设备，在 NPU 上执行相同推理
4. 对比 CPU 与 NPU 输出的差异

关键比较指标：

• 最大绝对误差（Max Absolute Difference）：逐元素比较输出分数的最大差异
• 平均绝对误差（Mean Absolute Difference）：逐元素比较输出分数的平均差异
• 相对误差（Relative Error）：最大绝对误差 / 最大分数值
• 余弦相似度（Cosine Similarity）：衡量输出向量的方向一致性
• Top-1 匹配率：最高概率标签是否一致
• Top-5 一致率：前5个预测标签的重叠比例

CPU/NPU 精度测试结果

Top-5 分类结果对比

精度结论

NPU 与 CPU 推理结果误差 < 1%（实际相对误差为 0.0600%），精度完全满足要求。余弦相似度为 0.9999998808，Top-1 和 Top-5 结果完全一致，NPU 推理结果与 CPU 推理结果高度一致。

性能测试结果

注：DenseNet-121 为 8M 参数的中等规模模型。单次推理时 NPU 耗时高于 CPU 主要是由于算子下发和数据传输开销。对于批量推理场景，NPU 的并行计算优势将更加明显。

运行截图

推理截图

精度对比截图

模型标签

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+DenseNet #+CNN #+密集连接