maxvit_rmlp_nano_rw_256_sw - Ascend NPU 适配

1. 模型信息

模型: timm/maxvit_rmlp_nano_rw_256.sw_in1k
架构: MaxViT (Multi-Axis Vision Transformer)
任务: 图像分类 (ImageNet-1K, 1000类)
适配状态: SUCCESS
适配时间: 2026-05-20

2. 验证环境

组件	版本
torch	2.9.0
torch-npu	2.9.0.post1
timm	1.0.27
CANN	8.5.1
NPU	Ascend 910B4
OS	Ubuntu 22.04.5 LTS (aarch64)
Python	3.11.14

3. 精度评测

NPU vs CPU 精度对比：

指标	数值
Cosine Similarity	0.999991
Max Absolute Error	0.004901
Relative Error	0.043701
精度误差	0.49%
是否满足要求	是（< 1%）

4. 性能

指标	数值
CPU 推理时间	296.86 ms
NPU 推理时间	15.21 ms
加速比	19.5x

5. 推理输出证据

以下为在 Ascend NPU (npu:0) 上运行 inference.py 的真实输出：

=== maxvit_rmlp_nano_rw_256.sw_in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.18189625442028046, -0.1727043092250824, 0.4043337404727936, 0.25083646178245544, 0.20128312706947327]
推理时间: 296.86ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.1801823228597641, -0.17256315052509308, 0.40552011132240295, 0.2513701617717743, 0.20027568936347961]
推理时间: 15.21ms

=== 精度对比 ===
Cosine Similarity: 0.999991
Max Absolute Error: 0.004901
Relative Error: 0.043701

✓ NPU 适配通过

6. 复现步骤

source /usr/local/Ascend/ascend-toolkit/set_env.sh
python3 inference.py --device npu:0

7. 评测材料

材料	文件	说明
推理脚本	inference.py	NPU 推理代码，使用 timm 加载预训练权重
精度报告	report.json	结构化评测结果
推理日志	logs/inference.log	完整推理输出日志
截图证据	screenshots/	终端输出截图

贡献者: xujiashuai | 赛道: 模型适配赛道 | 时间: 2026-05-20

maxvit_rmlp_nano_rw_256_sw - Ascend NPU 适配

1. 模型信息

模型: timm/maxvit_rmlp_nano_rw_256.sw_in1k
架构: MaxViT (Multi-Axis Vision Transformer)
任务: 图像分类 (ImageNet-1K, 1000类)
适配状态: SUCCESS
适配时间: 2026-05-20

2. 验证环境

组件	版本
torch	2.9.0
torch-npu	2.9.0.post1
timm	1.0.27
CANN	8.5.1
NPU	Ascend 910B4
OS	Ubuntu 22.04.5 LTS (aarch64)
Python	3.11.14

3. 精度评测

NPU vs CPU 精度对比：

指标	数值
Cosine Similarity	0.999991
Max Absolute Error	0.004901
Relative Error	0.043701
精度误差	0.49%
是否满足要求	是（< 1%）

4. 性能

指标	数值
CPU 推理时间	296.86 ms
NPU 推理时间	15.21 ms
加速比	19.5x

5. 推理输出证据

以下为在 Ascend NPU (npu:0) 上运行 inference.py 的真实输出：

=== maxvit_rmlp_nano_rw_256.sw_in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.18189625442028046, -0.1727043092250824, 0.4043337404727936, 0.25083646178245544, 0.20128312706947327]
推理时间: 296.86ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.1801823228597641, -0.17256315052509308, 0.40552011132240295, 0.2513701617717743, 0.20027568936347961]
推理时间: 15.21ms

=== 精度对比 ===
Cosine Similarity: 0.999991
Max Absolute Error: 0.004901
Relative Error: 0.043701

✓ NPU 适配通过

6. 复现步骤

source /usr/local/Ascend/ascend-toolkit/set_env.sh
python3 inference.py --device npu:0

7. 评测材料

材料	文件	说明
推理脚本	inference.py	NPU 推理代码，使用 timm 加载预训练权重
精度报告	report.json	结构化评测结果
推理日志	logs/inference.log	完整推理输出日志
截图证据	screenshots/	终端输出截图

贡献者: xujiashuai | 赛道: 模型适配赛道 | 时间: 2026-05-20