Ascend NPU 上的 MobileNetV3-Large

#+NPU

本仓库包含使用 timm 适配 Ascend NPU 的 MobileNetV3-Large 图像分类模型。

模型信息

• 模型名称：mobilenetv3_large_100.ra_in1k
• 网络结构：带随机增强（Random Augment）的 MobileNetV3-Large
• 预训练：ImageNet-1k
• 参数量：约 5.5M
• 输入尺寸：224x224x3

MobileNetV3-Large 将硬件感知网络架构搜索（NAS）与新颖架构相结合，包括 squeeze-and-excitation 模块和新的 ReLU6 激活函数。随机增强（RA）在训练过程中提供了更强的数据增强。

性能对比

推理时间（毫秒）

吞吐量（张/秒）

NPU 加速比：13.23 倍

Top-5 预测结果

CPU 和 NPU 产生完全相同的 Top-5 预测结果，且概率匹配（最大差异 < 0.001）。

仓库结构

ascend-mobilenetv3-large-100-ra-in1k-model/
├── inference.py          # Main inference script with CPU/NPU support
├── requirements.txt      # Python dependencies
├── README.md            # This file
├── .gitignore           # Git ignore patterns
└── logs/
    ├── run_npu.log      # NPU inference log
    ├── accuracy_compare.log  # CPU vs NPU comparison
    └── summary.json     # JSON summary of results

使用方法

1. 安装依赖项

pip install -r requirements.txt

2. 运行推理

python inference.py

该脚本将：

1. 从 timm 加载预训练的 MobileNetV3-Large 模型
2. 在 CPU 上运行推理
3. 在 NPU 上运行推理（若可用）
4. 比较结果并保存日志

3. 查看结果

查看 logs/ 目录获取详细结果：

• run_npu.log - 完整推理日志
• accuracy_compare.log - CPU 与 NPU 精度对比
• summary.json - JSON 格式的摘要

模型验证

• 使用预训练权重：是
• 使用本地权重文件：是
• CPU/NPU 匹配度在 1% 以内：是

环境要求

• Python 3.8+
• torch >= 2.0.0
• torch_npu >= 2.0.0
• timm >= 0.9.0
• Ascend CANN 工具包

许可证

本模型遵循其原始来源（timm）和预训练权重（ImageNet-1k）的许可证。