mixnet_m.ft_in1k 昇腾 NPU 适配

1. 模型简介

模型名称：mixnet_m.ft_in1k
模型架构：MixNet架构（混合深度可分离卷积）
任务类型：图像分类
模型参数量：5.0M
数据集：在ImageNet-1K预训练
原始地址：https://www.modelscope.cn/models/timm/mixnet_m.ft_in1k

2. 验证环境

组件	版本
CANN	8.5.1
torch	2.9.0
torch_npu	2.9.0.post1
timm	1.0.27
Python	3.11.14
NPU	Ascend 910B

3. 环境准备

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torch_npu timm Pillow numpy safetensors modelscope

4. 模型下载

python -c "from modelscope import snapshot_download; snapshot_download('timm/mixnet_m.ft_in1k')"

5. 推理命令

# CPU推理
python inference.py --device cpu

# NPU推理
python inference.py --device npu

# CPU vs NPU精度对比
python compare_cpu_npu.py

6. 推理结果

设备	推理耗时 (ms)	Top-1 标签
CPU	56.72	Doormat
NPU	18.65	Doormat

加速比：3.04x

7. 精度测试结果

指标	值
Logits 余弦相似度	0.99999928
概率最大差异	0.0274%
Top-1 匹配	是
Top-5 重叠	5/5

精度测试结论：NPU与CPU推理结果误差为0.03%，小于1%，精度通过。

8. 核心代码示例

import torch
import torch_npu
import timm
from PIL import Image
from timm.data import resolve_data_config, create_transform

# 加载模型到NPU
model = timm.create_model('mixnet_m.ft_in1k', pretrained=True).to('npu:0')
model.eval()

# 预处理
transform = create_transform(**resolve_data_config({}, model=model))
img = transform(Image.open('test.jpg').convert('RGB')).unsqueeze(0).to('npu:0')

# 推理
with torch.no_grad():
    torch.npu.synchronize()
    output = model(img)
    torch.npu.synchronize()
    probs = torch.nn.functional.softmax(output.cpu()[0], dim=0)

9. 标签

#+NPU #+昇腾 #+图像分类 #+CV #+PyTorch #+timm #+MixNet

推理成功证据

以下日志展示了 NPU 推理成功的关键信息：

CPU Top-1: class 539 (doormat)
NPU Top-1: class 539 (doormat)
Top-1 Match: True
Top-5 Overlap: 5/5

组件

版本

CANN

8.5.1

torch

2.9.0

torch_npu

2.9.0.post1

timm

1.0.27

Python

3.11.14

NPU

Ascend 910B

设备

推理耗时 (ms)

Top-1 标签

CPU

56.72

Doormat

NPU

18.65

Doormat

指标

值

Logits 余弦相似度

0.99999928

概率最大差异

0.0274%

Top-1 匹配

是

Top-5 重叠

5/5

8. 核心代码示例

import torch
import torch_npu
import timm
from PIL import Image
from timm.data import resolve_data_config, create_transform

# 加载模型到NPU
model = timm.create_model('mixnet_m.ft_in1k', pretrained=True).to('npu:0')
model.eval()

# 预处理
transform = create_transform(**resolve_data_config({}, model=model))
img = transform(Image.open('test.jpg').convert('RGB')).unsqueeze(0).to('npu:0')

# 推理
with torch.no_grad():
    torch.npu.synchronize()
    output = model(img)
    torch.npu.synchronize()
    probs = torch.nn.functional.softmax(output.cpu()[0], dim=0)