google/vit-large-patch16-224 on Ascend NPU

1. 简介

将 HuggingFace 图片分类模型 google/vit-large-patch16-224（ViT-Large, 304M 参数）适配为单卡昇腾 NPU（Ascend910B4）可运行的提交工程。

模型架构：Vision Transformer (ViT) Large，Patch Size 16，输入分辨率 224x224，ImageNet-1K 1000 类分类。

2. 验证环境

3. 推理运行

依赖安装

pip install -r requirements.txt
# torch_npu 通常由昇腾容器预装，无需单独安装

运行命令

# 单张图片推理
python inference.py

# CPU vs NPU 精度对比
python eval_accuracy.py

# 性能基准测试
python benchmark.py

日志路径

• 推理日志：logs/inference.log
• 预测结果：logs/prediction.txt
• 精度日志：logs/accuracy.log
• 性能日志：logs/benchmark.log
• 环境检查：logs/env_check.log

4. Smoke 验证

5. 性能参考

注：首次推理含图编译开销约 18s，预热后稳定在 ~24ms。

6. 精度评测

CPU vs NPU 一致性验证（同一张测试图片，同一官方 AutoImageProcessor 预处理）：

CPU-NPU 结果高度一致，Top-1/Top-5 完全匹配。差异来自浮点精度差异。

7. 自验证截图

见 screenshots/self_verification.png。

8. 日志文件

• logs/env_check.log — 环境检查
• logs/inference.log — 推理结果
• logs/prediction.txt — Top-5 预测
• logs/accuracy.log — 精度对比
• logs/benchmark.log — 性能基准

9. 注意事项

• 预处理器：使用官方 AutoImageProcessor（ViTImageProcessor），未手写伪预处理
• 测试图片：来自 https://picsum.photos/400/300，非 ImageNet 验证集
• 首次推理耗时约 18s 含图编译（graph compilation）开销，预热后稳定 ~24ms
• 本验证为 smoke accuracy / CPU-NPU 一致性验证，非官方 ImageNet 精度评测
• 模型权重未提交（遵循 .gitignore 规则）
• 未使用 fallback

10. 标签

#NPU