timm/convnext_base.fb_in22k_ft_in1k on Ascend NPU

1. 简介

将 timm/convnext_base.fb_in22k_ft_in1k（ConvNeXt-Base，ImageNet-22K 预训练后微调至 ImageNet-1K，1000 类）适配为单卡昇腾 NPU（Ascend910B）可运行的提交工程。

• 模型来源：ModelScope snapshot_download（无 HuggingFace 直连）
• 权重加载：timm.create_model(pretrained=False) + 本地 safetensors 权重
• 兼容性等级：A（timm 标准模型）

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

输出 Top-5 预测结果，日志保存至 logs/inference.log。

Model: timm/convnext_base.fb_in22k_ft_in1k
Input shape: torch.Size([1, 3, 224, 224])
Output shape: torch.Size([1, 1000])
Top-5 predictions:
  class_883: 0.2105
  class_532: 0.0839
  class_435: 0.0650
  class_876: 0.0600
  class_738: 0.0341

4. 精度验证

python eval_accuracy.py

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1 与 NPU Top-1 类别一致
• CPU Top-5 与 NPU Top-5 类别一致

5. 性能参考

测试条件：2 次预热 + 10 次正式，batch=1，Ascend910 单卡。

6. 精度评测

python eval_accuracy.py 执行 smoke consistency 验证，对比 CPU 与 NPU 的 logits、概率、Top-1/Top-5 是否一致。

7. 自验证截图

参见 screenshots/self_verification.png。

8. 日志文件

logs/inference.log    - 推理结果
logs/accuracy.log     - 精度验证
logs/benchmark.log    - 性能基准
logs/env_check.log    - 环境信息
logs/paths.txt        - 模型路径

9. 注意事项

• 权重文件（*.safetensors, *.bin）未提交到仓库，通过 ModelScope snapshot_download 自动下载
• 不使用 HuggingFace 直连下载，不 fallback
• pretrained=False，完全通过本地权重加载
• convnext_base 使用 LayerNorm，对数值精度差异不敏感，CPU/NPU 一致性好

10. 标签

#NPU #Ascend #image-classification #timm #convnext