timm/swin_large_patch4_window7_224.ms_in22k_ft_in1k on Ascend NPU

1. 简介

本项目将 timm/swin_large_patch4_window7_224.ms_in22k_ft_in1k 图片分类模型适配到单卡昇腾 NPU（Ascend910）。

模型类型：timm 标准图片分类模型
输入尺寸：224x224
输出类别数：1000

2. 验证环境

• NPU: Ascend910_9362
• npu-smi: 25.5.2
• Python: 3.11
• PyTorch + torch_npu

详细环境信息见 logs/env_check.log。

3. 推理运行

pip install -r requirements.txt
python inference.py

推理脚本使用 modelscope.snapshot_download 下载权重，timm.create_model(pretrained=False) 创建模型结构并加载本地权重，在 npu:0 上执行真实推理。

Top-5 预测结果示例：

• class_499: 0.003955
• class_680: 0.002788
• class_473: 0.002762
• class_644: 0.002744
• class_551: 0.002708

4. Smoke 验证

python eval_accuracy.py

CPU 与 NPU 推理结果对比：

• Top-1 匹配：True（class_499）
• Top-5 匹配：True
• Max logit diff: 7.20e-03
• Mean logit diff: 1.55e-03

说明：此为 smoke consistency 检查，非官方 ImageNet 精度评测。

5. 性能参考

python benchmark.py

6. 精度评测

eval_accuracy.py 对同一输入分别在 CPU 和 NPU 上推理，对比 logits 分布与 Top-K 一致性。结果见 logs/accuracy.log。

7. 自验证截图

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

8. 日志文件

• logs/env_check.log — 环境检查
• logs/inference.log — 推理日志
• logs/accuracy.log — 精度对比日志
• logs/benchmark.log — 性能基准日志
• logs/stage0.log — 模型可用性验证日志

9. 注意事项

• 权重通过 ModelScope snapshot_download 自动下载到本地缓存，首次运行需要联网。
• 严禁使用 pretrained=True 触发 HuggingFace 直连下载。
• 本仓库不提交模型权重文件。

10. 标签

#NPU