timm/resnet152.a1_in1k on Ascend NPU

1. 简介

本工程将 timm/resnet152.a1_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）。

模型通过 ModelScope snapshot_download 下载权重，使用 timm.create_model(pretrained=False) 创建模型结构并加载本地权重，确保不依赖 HuggingFace 自动下载。

2. 验证环境

详见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

脚本使用 npu:0 进行真实推理，输入为 assets/test.jpg，输出 1000 维 logits，经 softmax 后取 Top-5 类别。

推理结果摘要：

• Input shape: [1, 3, 224, 224]
• Output shape: [1, 1000]
• Top-1: class_701 (0.007979)

完整日志见 logs/inference.log。

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

python benchmark.py

预热 2 次 + 正式 10 次，每次前后 torch.npu.synchronize()。

完整日志见 logs/benchmark.log。

6. 精度评测

本工程仅提供单图 smoke consistency 验证，非官方 ImageNet 完整验证集精度。CPU 与 NPU 输出 Top-1/Top-5 完全一致，概率差异在 1e-4 量级，表明 NPU 推理与 CPU 推理高度一致。

7. 自验证截图

见 screenshots/self_verification.png 与 screenshots/self_verification.txt。

8. 日志文件

9. 注意事项

1. 权重文件（.safetensors/.pth 等）不提交到仓库，运行时通过 ModelScope 自动下载到本地缓存。
2. 测试图为占位图（网络下载失败时自动生成），推理结果仅供 smoke test 参考。
3. 首次运行会触发 ModelScope 下载，耗时取决于网络状况。

10. 标签

#NPU