dino-vitb16 昇腾 NPU 推理适配
ViT-B/16 DINO 自监督特征（特征提取）已完成昇腾 NPU 确定性 forward 适配：加载真实权重做确定性前向，minimal/精度/性能/稳定性/推理六件套全 PASS。精度 rel-L2<1% 或 cosine>=0.999 达标，NPU 上 20 轮逐位一致。#+NPU
架构路由结论：特征提取，DINO ViT-B/16（自监督），权重 ascend-model/。输入/输出为确定性前向口径，CPU 与 NPU 独立子进程同输入同权重对比（float32，不做归一化）。
一、真实环境（2026-08 实测）
| 组件 | 版本 |
|---|
| Python | 3.11.14 |
| CANN | 8.5.1 |
| torch / torch_npu | 2.9.0+cpu / 2.9.0.post1 |
| NPU | Ascend 910B 单卡（npu:0） |
二、权重
ascend-model/（tf_model.h5（329.8MB）、pytorch_model.bin（327.4MB）、README.md（0.0MB））；SHA256/内容见下载清单。
三、验收结果（全部为本次实测）
| 阶段 | 结果 |
|---|
| 最小前向（CPU+NPU） | PASS：形状一致、全 finite |
| 精度（CPU/NPU 独立子进程） | PASS：rel_l2_cls=3.48e-03、cos=0.999994 |
| 性能（NPU warmup≥5 + runs≥20） | PASS：mean 6.2ms、p50 6.3ms |
| 稳定性（NPU 20 轮 batch1） | PASS：20/20 逐位一致（bitwise_identical=true） |
| 推理示例（NPU） | PASS：inference_results → finite |
（results/accuracy*.json / benchmark*.json / stability*.json / inference*.json）
四、脚本与复现
| 脚本 | 作用 |
|---|
common.py | 模型加载 + 确定性输入 + 权重证据 |
minimal_repro.py | 最小前向 smoke（CPU+NPU） |
accuracy_eval.py | CPU/NPU 独立子进程精度对比 |
benchmark.py | NPU 性能基准（warmup≥5 + runs≥20） |
stability.py | NPU 稳定性（20 轮 batch1） |
inference.py | 推理演示（NPU） |
cd /opt/atomgit/stella40/s23
python3 minimal_repro.py
python3 accuracy_eval.py
python3 benchmark.py
python3 stability.py
python3 inference.py
五、已知限制
- 验收聚焦确定性 forward（单样本 batch1）；未跑完整推理/训练管线。
- 权重为 fp32 直接加载，未做量化/图编译优化（保持 CPU/NPU 逐位可比）。
六、真实运行截图
三张真实终端截图（用户网页终端手动截取上传，未做任何合成/修改）：
| 截图 | 说明 | 路径 |
|---|
| 适配工作流 | 完整适配工作流（阶段/脚本/结果） | assets/agent_workflow.png |
| NPU 设备调用 | 真实模型 NPU 调用证据（设备/张量/算子） | assets/npu_device_call.png |
| 模型验收结果 | CPU/NPU 最终精度验收（rel-L2/性能/稳定性） | assets/model_result.png |
目录结构
assets/agent_workflow.png # 适配工作流截图
assets/npu_device_call.png # NPU 设备调用截图
assets/model_result.png # 模型验收结果截图
common.py # 公共模块
minimal_repro.py # 最小前向复现
accuracy_eval.py # 精度对齐
benchmark.py # 性能基准
stability.py # 稳定性
inference.py # 推理演示
results/*.json # 验收证据
README.md / .gitignore