timm/nfnet_l0.ra2_in1k on Ascend NPU

1. 简介

本项目将 timm/nfnet_l0.ra2_in1k 图片分类模型适配到昇腾 NPU (Ascend910) 上运行。

NFNet (Normalizer-Free Networks) 是 DeepMind 提出的一种无需 Batch Normalization 的高性能卷积神经网络。NFNet-L0 是该系列中规模较小的变体，通过自适应梯度裁剪 (AGC) 和 Scaled Weight Standardization 实现稳定训练。该模型基于 ImageNet-1k 训练，输出 1000 类分类结果。

适配方式：使用 ModelScope snapshot_download 下载权重，通过 timm.create_model(..., pretrained=False) 创建模型并加载本地权重，在 npu:0 上执行真实推理。

2. 验证环境

3. 推理运行

pip install -r requirements.txt
python inference.py

推理结果 (NPU Top-5):

• Top-1: class_111 (0.0017)
• Top-2: class_2 (0.0015)
• Top-3: class_644 (0.0015)
• Top-4: class_600 (0.0015)
• Top-5: class_4 (0.0015)

日志保存在 logs/inference.log。

4. 精度验证

对单张测试图片进行 CPU 与 NPU 一致性验证：

• CPU Top-1: class_111
• NPU Top-1: class_111
• CPU Top-5: class_111, class_2, class_644, class_600, class_4
• NPU Top-5: class_111, class_2, class_644, class_600, class_4
• Top-1 match: True
• Top-5 match: True

5. 性能参考

6. 精度评测说明

本项目包含单图 smoke consistency 验证，非官方 ImageNet 完整验证集评测。详细指标见第 4 节。

7. 自验证截图

见 screenshots/self_verification.png。

8. 日志文件

• logs/inference.log - 推理结果
• logs/accuracy.log - 精度一致性验证
• logs/benchmark.log - 性能基准测试
• logs/env_check.log - 环境检查

9. 注意事项

1. 权重文件通过 ModelScope 自动下载到本地缓存，不会随仓库提交。
2. 严禁使用 timm.create_model(..., pretrained=True) 从 HuggingFace 自动下载。
3. 测试图片为占位图，实际使用时应替换为真实图片。

10. 标签

#NPU #Ascend #Ascend910 #ImageClassification