levit-128-NPU

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+LeViT #+Transformer #+ViT

模型介绍

本仓库包含了 facebook/levit-128 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。

LeViT（LeVity Vision Transformer）是一种混合神经网络架构，结合了卷积神经网络（CNN）和 Vision Transformer（ViT）的优点。LeViT-128 是 LeViT 系列的小型模型，具有 128 维隐藏层，在保持较高分类精度的同时具有极快的推理速度。

原始模型地址: facebook/levit-128

任务类型

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

模型框架

PyTorch（HuggingFace Transformers）

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 HuggingFace Transformers 加载 LeViT-128 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 torch_npu transformers Pillow numpy -i https://mirrors.aliyun.com/pypi/simple/

# 设置环境变量
export MODELSCOPE_CACHE=/path/to/cache

推理命令

CPU 推理：

python3 inference.py

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

python3 inference.py

方式二：自定义 NPU 推理

import torch
from transformers import LevitForImageClassificationWithTeacher, LevitImageProcessor
from PIL import Image

# 加载模型和处理器
processor = LevitImageProcessor.from_pretrained("facebook/levit-128")
model = LevitForImageClassificationWithTeacher.from_pretrained("facebook/levit-128")

# NPU 推理
model = model.to("npu:0")
image = Image.open("test.jpg").convert("RGB")
inputs = processor(images=image, return_tensors="pt")
inputs = {k: v.to("npu:0") for k, v in inputs.items()}

with torch.no_grad():
    outputs = model(**inputs)

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

CPU/NPU 精度测试方法

1. 使用 HuggingFace Transformers 加载 LeViT-128 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 0.0010%），精度完全满足要求。余弦相似度为 1.000000，Top-1 和 Top-5 结果完全一致。

性能测试结果

注：LeViT-128 模型较小（参数量少），在 NPU 上的推理时间包含了算子下发和数据传输开销，导致 NPU 推理耗时高于 CPU。对于大规模批量推理或更大模型，NPU 的加速效果会更明显。

运行截图

以下截图展示了推理的实际运行结果。

推理截图

精度对比截图

模型标签

#+NPU #+昇腾 #+Ascend910 #+CV #+图像分类 #+LeViT #+Transformer #+ViT