mambaout_base.in1k NPU 推理适配

模型介绍

mambaout_base.in1k 是一款基于 Mamba 架构的图像分类模型，由 timm 模型库提供。该模型使用 Mamba（状态空间模型）替代传统的 Transformer 注意力机制，在 ImageNet 数据集上训练，适用于图像分类任务。

原始模型地址: https://huggingface.co/timm/mambaout_base.in1k
ModelScope 地址: https://www.modelscope.cn/models/timm/mambaout_base.in1k
任务类型: 图像分类 (Image Classification)
模型框架: PyTorch + timm

模型信息

属性	值
输入尺寸	224 × 224
类别数	1000
预处理均值	[0.485, 0.456, 0.406]
预处理标准差	[0.229, 0.224, 0.225]

NPU 适配说明

此模型基于 torch_npu 在华为昇腾 NPU 上完成推理适配。模型权重从 ModelScope 下载，加载到 timm 定义的模型结构中。CPU 和 NPU 推理结果对比验证精度满足要求。

环境准备

系统要求

华为昇腾 NPU (Ascend910)
CANN 8.5.1
Python 3.11
torch 2.9.0 + torch_npu 2.9.0

安装依赖

pip install -r requirements.txt

依赖列表见 requirements.txt。

推理命令

CPU 推理

python3 inference.py --device cpu

NPU 推理

python3 inference.py --device npu

推理结果

使用随机噪声图片作为输入进行推理测试。

CPU 推理结果

Average inference time: 682.80 ms (10 runs)

Top-5 predictions:
  Class 549: 0.002906
  Class 794: 0.002544
  Class 78: 0.002516
  Class 111: 0.002311
  Class 701: 0.002262

NPU 推理结果

Average inference time: 16.76 ms (10 runs)

Top-5 predictions:
  Class 549: 0.002908
  Class 794: 0.002546
  Class 78: 0.002517
  Class 111: 0.002312
  Class 701: 0.002267

推理性能对比

设备	平均推理耗时 (ms)	加速比
CPU	682.80	1.0×
NPU (Ascend910)	16.76	40.7×

NPU 推理相比 CPU 加速约 40.7 倍。

CPU/NPU 精度测试

测试方法

使用相同随机种子（seed=42）生成测试输入图片。
分别在 CPU 和 NPU 上运行推理，加载相同预训练权重。
对比输出 Logits 和 Softmax 概率的差异。

精度测试结果

指标	值
Logits 最大绝对误差	0.00392669
Logits 平均绝对误差	0.00138224
Probabilities 最大绝对误差	0.00000547
Probabilities 平均绝对误差	0.00000054
Logits 有效值平均相对误差 (	cpu
Probabilities 平均相对误差	0.0521%
Logits 余弦相似度	0.99999978
Top-1 类别一致率	100.00%
Top-5 类别一致率	100.00%

Top-5 概率详细对比

Rank	CPU Class	CPU Prob	NPU Class	NPU Prob	Prob Diff
1	549	0.00290600	549	0.00290800	0.00000200
2	794	0.00254400	794	0.00254600	0.00000200
3	78	0.00251600	78	0.00251700	0.00000100
4	111	0.00231100	111	0.00231200	0.00000100
5	701	0.00226200	701	0.00226700	0.00000500

精度测试结论

NPU 与 CPU 推理结果误差小于 1%。

Top-1 类别一致率: 100.00%
Top-5 类别一致率: 100.00%
Logits 余弦相似度: 0.99999978
Probabilities 最大绝对误差: 0.00000547

✓ 精度验证通过
  NPU 与 CPU 推理概率最大差异为 0.0000 (0.00%)
  符合精度误差小于1%的要求

推理截图

部署和推理方法

核心代码

import torch
import timm
from timm.data import resolve_data_config
from timm.data.transforms_factory import create_transform
from safetensors.torch import load_file
from PIL import Image

# 加载模型
model = timm.create_model("mambaout_base.in1k", pretrained=False)

# 加载权重
state_dict = load_file("weights/model.safetensors")
model.load_state_dict(state_dict, strict=True)

# 切换到 NPU
device = torch.device("npu:0")
model = model.to(device)
model.eval()

# 图像预处理
config = resolve_data_config({}, model=model)
transform = create_transform(**config)
img = Image.open("test.jpg").convert("RGB")
input_tensor = transform(img).unsqueeze(0).to(device)

# 推理
with torch.no_grad():
    output = model(input_tensor)
    probs = torch.nn.functional.softmax(output, dim=1)
    top_probs, top_indices = torch.topk(probs, 5, dim=1)

for i in range(5):
    print(f"Class {top_indices[0][i].item()}: {top_probs[0][i].item():.6f}")

推理命令

# CPU 推理
python3 inference.py --device cpu

# NPU 推理
python3 inference.py --device npu

精度对比

python3 compare_cpu_npu.py

推理成功证据

以下日志展示了 NPU 推理成功的关键信息：

=== Running inference on CPU ===
Input tensor device: cpu
Average inference time: 682.80 ms (10 runs)
Top-5 predictions:
Inference completed on cpu
Average inference time: 682.80 ms

模型标签

#+NPU #+CV #+图像分类 #+昇腾 #+Mamba #+timm

mambaout_base.in1k NPU 推理适配

模型介绍

原始模型地址: https://huggingface.co/timm/mambaout_base.in1k
ModelScope 地址: https://www.modelscope.cn/models/timm/mambaout_base.in1k
任务类型: 图像分类 (Image Classification)
模型框架: PyTorch + timm

模型信息

属性	值
输入尺寸	224 × 224
类别数	1000
预处理均值	[0.485, 0.456, 0.406]
预处理标准差	[0.229, 0.224, 0.225]

NPU 适配说明

环境准备

系统要求

华为昇腾 NPU (Ascend910)
CANN 8.5.1
Python 3.11
torch 2.9.0 + torch_npu 2.9.0

安装依赖

pip install -r requirements.txt

依赖列表见 requirements.txt。

推理命令

CPU 推理

python3 inference.py --device cpu

NPU 推理

python3 inference.py --device npu

推理结果

使用随机噪声图片作为输入进行推理测试。

CPU 推理结果

Average inference time: 682.80 ms (10 runs)

Top-5 predictions:
  Class 549: 0.002906
  Class 794: 0.002544
  Class 78: 0.002516
  Class 111: 0.002311
  Class 701: 0.002262

NPU 推理结果

Average inference time: 16.76 ms (10 runs)

Top-5 predictions:
  Class 549: 0.002908
  Class 794: 0.002546
  Class 78: 0.002517
  Class 111: 0.002312
  Class 701: 0.002267

推理性能对比

设备	平均推理耗时 (ms)	加速比
CPU	682.80	1.0×
NPU (Ascend910)	16.76	40.7×

NPU 推理相比 CPU 加速约 40.7 倍。

CPU/NPU 精度测试

测试方法

使用相同随机种子（seed=42）生成测试输入图片。
分别在 CPU 和 NPU 上运行推理，加载相同预训练权重。
对比输出 Logits 和 Softmax 概率的差异。

精度测试结果

指标	值
Logits 最大绝对误差	0.00392669
Logits 平均绝对误差	0.00138224
Probabilities 最大绝对误差	0.00000547
Probabilities 平均绝对误差	0.00000054
Logits 有效值平均相对误差 (	cpu
Probabilities 平均相对误差	0.0521%
Logits 余弦相似度	0.99999978
Top-1 类别一致率	100.00%
Top-5 类别一致率	100.00%

Top-5 概率详细对比

Rank	CPU Class	CPU Prob	NPU Class	NPU Prob	Prob Diff
1	549	0.00290600	549	0.00290800	0.00000200
2	794	0.00254400	794	0.00254600	0.00000200
3	78	0.00251600	78	0.00251700	0.00000100
4	111	0.00231100	111	0.00231200	0.00000100
5	701	0.00226200	701	0.00226700	0.00000500

精度测试结论

NPU 与 CPU 推理结果误差小于 1%。

Top-1 类别一致率: 100.00%
Top-5 类别一致率: 100.00%
Logits 余弦相似度: 0.99999978
Probabilities 最大绝对误差: 0.00000547

✓ 精度验证通过
  NPU 与 CPU 推理概率最大差异为 0.0000 (0.00%)
  符合精度误差小于1%的要求

推理截图

部署和推理方法

核心代码

import torch
import timm
from timm.data import resolve_data_config
from timm.data.transforms_factory import create_transform
from safetensors.torch import load_file
from PIL import Image

# 加载模型
model = timm.create_model("mambaout_base.in1k", pretrained=False)

# 加载权重
state_dict = load_file("weights/model.safetensors")
model.load_state_dict(state_dict, strict=True)

# 切换到 NPU
device = torch.device("npu:0")
model = model.to(device)
model.eval()

# 图像预处理
config = resolve_data_config({}, model=model)
transform = create_transform(**config)
img = Image.open("test.jpg").convert("RGB")
input_tensor = transform(img).unsqueeze(0).to(device)

# 推理
with torch.no_grad():
    output = model(input_tensor)
    probs = torch.nn.functional.softmax(output, dim=1)
    top_probs, top_indices = torch.topk(probs, 5, dim=1)

for i in range(5):
    print(f"Class {top_indices[0][i].item()}: {top_probs[0][i].item():.6f}")

推理命令

# CPU 推理
python3 inference.py --device cpu

# NPU 推理
python3 inference.py --device npu

精度对比

python3 compare_cpu_npu.py

推理成功证据

以下日志展示了 NPU 推理成功的关键信息：

=== Running inference on CPU ===
Input tensor device: cpu
Average inference time: 682.80 ms (10 runs)
Top-5 predictions:
Inference completed on cpu
Average inference time: 682.80 ms

模型标签

#+NPU #+CV #+图像分类 #+昇腾 #+Mamba #+timm

mambaout_base.in1k-npu:可用于在华为昇腾 NPU 上实现高效图像分类推理，相比 CPU 加速约 40.7 倍。项目基于 Mamba 架构，适配 torch_npu，在 ImageNet 数据集训练，支持 CPU/NPU 推理，精度误差小于 1%，Top-1/5 类别一致率 100%。【此简介由AI生成】 - AtomGit AI社区