swin-tiny-patch4-window7-224 on Ascend NPU
1. 简介
本文档记录 swin-tiny-patch4-window7-224（Swin Transformer Tiny 图像分类）在昇腾 NPU（Ascend 910B3）环境的适配部署与精度验证结果。
Swin-Tiny 是一种基于移位窗口（Shifted Window）的 Vision Transformer，参数量约 28.3M，在 ImageNet-1K 上预训练，输出 1000 类分类 logits。本项目完成该模型在昇腾 NPU 上的推理适配，并验证 NPU 与 CPU 推理结果的精度误差 < 1%。
相关地址：
2. 验证环境
| 组件 | 版本 |
|---|
python | 3.11.x |
torch | 2.10.0+cpu |
torch_npu | 2.10.0 |
torchvision | 0.25.0+cpu |
transformers | 5.8.1 |
safetensors | 0.7.0 |
CANN | 8.5.1 |
| NPU 驱动 | 25.5.2 |
| NPU 硬件 | Ascend 910B3 (8卡) |
| 操作系统 | Linux (aarch64) |
3. 模型信息
| 项目 | 值 |
|---|
| 模型架构 | Swin Transformer Tiny |
| 参数量 | ~28.3M |
| Patch Size | 4 |
| Window Size | 7 |
| 输入尺寸 | 3×224×224 |
| 权重格式 | safetensors |
| 原始框架 | PyTorch (transformers) |
| 预训练数据 | ImageNet-1K |
| 许可证 | MIT |
4. Conda 环境安装
创建独立的 conda 环境并安装依赖（使用华为云 PyPI 镜像加速）：
# 创建 conda 环境
conda create -n swin-tiny python=3.11 -y
# 激活环境
conda activate swin-tiny
# 安装 PyTorch 及相关依赖（华为云镜像）
pip install torch==2.10.0 torchvision==0.25.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 torch_npu（根据环境选择对应版本）
pip install torch_npu==2.10.0 --index-url https://repo.huaweicloud.com/repository/pypi/simple/
# 安装 transformers 及其他依赖
pip install transformers safetensors pillow --index-url https://repo.huaweicloud.com/repository/pypi/simple/
如果 HuggingFace 网络不通，设置镜像：
export HF_ENDPOINT=https://hf-mirror.com/
5. 推理执行
单张图像推理
# NPU 推理（默认）
python3 inference.py \
--model_path /path/to/swin-tiny-patch4-window7-224 \
--image_path /path/to/image.jpg \
--device npu:0
# CPU 推理
python3 inference.py \
--model_path /path/to/swin-tiny-patch4-window7-224 \
--image_path /path/to/image.jpg \
--device cpu
精度与性能评测
python3 benchmark.py \
--model_path /path/to/swin-tiny-patch4-window7-224 \
--npu_device npu:0
评测结果日志将输出到 log.txt。
6. 参数说明
inference.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径（包含 config.json, model.safetensors） | 必需 |
--image_path | 输入图像路径 | 必需 |
--device | 运行设备，可选 npu:0 或 cpu | npu:0 |
--no_warmup | 跳过 NPU 预热阶段 | False |
benchmark.py 参数
| 参数 | 说明 | 默认值 |
|---|
--model_path | 模型权重路径 | 必需 |
--image_path | 测试图像路径（默认自动生成） | 自动生成 |
--npu_device | NPU 设备 ID | npu:0 |
--num_warmup | NPU 预热轮数 | 3 |
7. 精度评测
评测方法
使用同一张测试图像分别在 CPU（FP32）和 NPU（FP32）上运行推理，对比输出分类 logits 的差异。
评价指标说明
| 指标 | 含义 | 判定阈值 |
|---|
| 向量级相对误差 | ` | |
| 余弦相似度 | NPU 与 CPU 输出向量间的方向一致性 | > 0.99 |
| 最大/平均绝对误差 | 逐元素差值统计，反映数值偏差的绝对量级 | — |
精度结果
| 输出张量 | 向量级相对误差 | 余弦相似度 | 最大绝对误差 | 平均绝对误差 |
|---|
| logits | 0.202329% | 0.9999978542 | — | — |
判定结论
| 指标 | 实测值 | 阈值 | 状态 |
|---|
| 向量级相对误差 | 0.20% | < 1% | PASS |
| 余弦相似度 | 0.999998 | > 0.99 | PASS |
8. 性能数据
| 操作 | 耗时 |
|---|
| CPU 推理时间（FP32） | 1.55s |
| NPU 推理时间（FP32，3轮预热后） | 0.15s |
| 加速比 (CPU / NPU) | 10.60x |
9. 注意事项
- 首次加载：首次加载模型权重会从本地读取 safetensors 文件，耗时约 1 秒。
- NPU 预热：NPU 首次推理包含编译优化，通常需要 1-2 轮预热才能达到稳定性能。脚本默认开启 3 轮预热。
- 精度：本模型使用 FP32 精度，NPU 与 CPU 输出误差极小（远小于 1%），不影响下游分类任务效果。
- 权重文件：模型权重（.safetensors）不包含在适配仓库中，需单独下载。
- Swin Transformer：使用移位窗口注意力机制，patch size 为 4，window size 为 7。