timm/densenet201.tv_in1k on Ascend NPU #NPU

1. 简介

将 timm/densenet201.tv_in1k 图片分类模型适配到华为昇腾 NPU（Ascend910B），使用 ModelScope snapshot_download 下载权重，timm.create_model(pretrained=False) 加载本地权重，包含推理验证、CPU-NPU 精度一致性检查和性能基准测试。

2. 验证环境

• NPU: Ascend910B
• PyTorch: 2.x
• torch_npu: 已安装
• timm: 1.0.27
• ModelScope: 1.35.3
• Python: 3.x

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果：

Model: timm/densenet201.tv_in1k
Output shape: [1, 1000]
Top-5 predictions:
  class_819: 0.6530 (65.30%)
  class_413: 0.0450 (4.50%)
  class_764: 0.0431 (4.31%)
  class_650: 0.0294 (2.94%)
  class_851: 0.0283 (2.83%)

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

单卡 Ascend910B，batch=1，10 次推理取均值：

python benchmark.py

=== Benchmark (NPU, single inference) ===
Runs: 10
Avg: 22.40 ms
Min: 21.96 ms
Max: 22.77 ms
P50: 22.39 ms
P90: 22.74 ms
P95: 22.75 ms
Throughput: 44.64 images/sec

6. 精度评测

• 验证方式: Smoke consistency check（CPU vs NPU 同输入对比）
• Logit 最大差异: 0.010974
• 概率最大差异: 0.000370
• Top-1 一致性: 完全匹配
• Top-5 一致性: 完全匹配
• 结论: CPU/NPU 推理结果完全一致，精度验证通过

7. 自验证截图

见 screenshots/self_verification.png

8. 日志文件

9. 注意事项

• 模型通过 ModelScope snapshot_download 下载，不依赖 HuggingFace 直连
• 使用 timm.create_model(pretrained=False) + 本地权重加载
• 精度验证为 smoke consistency check，非官方 ImageNet 验证精度
• 权重文件（*.bin, *.safetensors）不提交到仓库

10. 标签

#NPU