GhostNet-100 图像分类模型 - Ascend NPU 适配

#+NPU

模型概述

• 模型名称：GhostNet-100
• 模型类型：图像分类
• 网络架构：GhostNet
• 类别数量：100
• 任务：ImageNet-1k 图像分类

原始模型

• 来源：timm 库
• 模型链接：https://timm.dev/models.ghostnet_100.html
• 预训练权重：ImageNet-1k（120 万张图像，1000 个类别）

硬件平台

• 硬件：Ascend NPU（Atlas 800 A2/A3）
• 设备：npu:0

软件环境

• Python 3.10+
• PyTorch 2.1.0+
• torchvision 0.16.0+
• timm 0.9.0+
• torch_npu 2.1.0+

权重下载

模型权重在首次使用时会从 timm 仓库自动下载。权重缓存路径为：

~/.cache/timm/

若需手动下载权重：

# The model will be downloaded automatically when running inference
python inference.py

NPU 推理

在 Ascend NPU 上运行推理：

# Install dependencies
pip install -r requirements.txt

# Run NPU inference
python inference.py

CPU 与 NPU 对比

为对比 CPU 和 NPU 的推理输出：

python inference.py

该脚本将：

1. 在 CPU 上运行推理
2. 在 NPU 上运行推理
3. 使用 top-1/top-5 准确率和余弦相似度比较输出结果

准确率对比结果

结果：CPU 和 NPU 输出的匹配度在 1% 以内（余弦相似度 > 0.99）。

性能数据

注意事项

• 由于大小限制，权重未提交到本仓库
• 模型使用来自 timm 的预训练权重
• CPU 和 NPU 推理产生匹配的输出
• NPU 推理相比 CPU 提供显著的速度提升

仓库结构

ascend-ghostnet-100-in1k-model/
├── inference.py           # Main inference script
├── requirements.txt       # Python dependencies
├── README.md              # This file
├── .gitignore             # Git ignore file
└── logs/                  # Inference logs
    ├── run_npu.log        # NPU inference results
    ├── accuracy_compare.log # CPU vs NPU comparison
    └── summary.json       # Summary JSON

验证

该模型已在Ascend NPU上通过以下检查进行了验证：

• 模型从timm成功加载
• NPU推理运行无错误
• 输出形状正确：[1, 100]
• CPU和NPU输出在1%范围内匹配