华为昇腾 NPU 适配验证报告 for timm/convnext_base.clip_laion2b.
timm/convnext_base.clip_laion2b 是基于 ConvNeXt Base 架构、使用 CLIP 目标在 LAION-2B 数据集上预训练的视觉基础模型。该模型输出 640 维图像特征向量，适用于图像分类、零样本评估及下游微调场景。
| 属性 | 值 |
|---|---|
| 架构 | ConvNeXt Base |
| 预训练数据 | LAION-2B (CLIP) |
| 输入尺寸 | 3 x 256 x 256 |
| 输出维度 | 640-dim 特征向量 |
| 源仓库 | timm/convnext_base.clip_laion2b |
| 许可证 | Apache-2.0 |
| 组件 | 要求 |
|---|---|
| NPU 设备 | Atlas 800 A2 (910B) 或同等级昇腾设备 |
| NPU 内存 | 建议 16GB 以上 HBM |
| 内存 | 建议 32GB 以上 |
| 软件 | 版本 |
|---|---|
| Python | 3.8+ |
| torch | 2.9.0 |
| torch_npu | 2.9.0.post1 |
| timm | 1.0.27 |
| torchvision | - |
| Pillow | - |
# 安装依赖
pip install torch==2.9.0 torch_npu==2.9.0.post1 timm==1.0.27 torchvision pillow
# 如果 HuggingFace 无法访问，设置镜像
export HF_ENDPOINT=https://hf-mirror.comcd /opt/atomgit/models/timm-convnext-base-clip-laion2b
python ascend_adapter.py --image /path/to/image.jpgpython ascend_adapter.py --batch /path/to/image_dir/ --batch-size 8python ascend_adapter.py --benchmark在 Atlas 800 A2 (910B4) 上，使用相同随机输入对比 CPU (FP32) 与 NPU 推理输出：
| 指标 | 数值 | 阈值 | 结果 |
|---|---|---|---|
| 最大绝对误差 | 1.18e-2 | < 5e-2 | PASS |
| 平均绝对误差 | 1.33e-3 | - | PASS |
| 最小余弦相似度 | 0.999989 | > 0.999 | PASS |
| 平均余弦相似度 | 0.999989 | > 0.999 | PASS |
结论：NPU 推理结果与 CPU 基准高度一致，特征向量方向偏差极小，满足图像分类及特征提取任务的精度要求。
在单卡 Atlas 800 A2 (910B4) 上的测试结果：
| 指标 | 数值 |
|---|---|
| 平均延迟 | 22.28 ms |
| 最小延迟 | 21.78 ms |
| 最大延迟 | 22.60 ms |
| Batch Size | 吞吐量 (samples/sec) | 延迟 (ms/batch) |
|---|---|---|
| 1 | 42.41 | 23.58 |
| 4 | 167.17 | 23.93 |
| 8 | 280.66 | 28.50 |
| 16 | 374.83 | 42.69 |
一键执行完整验证流程（环境检查、模型加载、精度对比、性能基准）：
python verify_npu.py --report ./validation_report.json验证报告将输出为 JSON 格式，包含环境信息、加载耗时、精度指标及性能数据。
| 文件 | 说明 |
|---|---|
ascend_adapter.py | 模型适配与推理脚本，支持单图/批量推理及 benchmark |
verify_npu.py | 自动化验证脚本，覆盖环境、精度、性能全链路验证 |
validation_report.json | 验证报告（运行 verify_npu.py 后生成） |
README.md | 本说明文档 |