mobilenetv3_rw.rmsp_in1k on Ascend NPU

1. 简介

本文档记录 mobilenetv3_rw.rmsp_in1k MobileNetV3-RW（Redesigned Widths）图像分类模型在昇腾 NPU（Ascend 910B3）上的迁移适配、精度评测与性能验证结果。

MobileNetV3-RW 是 timm 社区对 MobileNetV3 的改进版本，通过重新设计各层的通道宽度（channel width redistribution）优化精度-效率权衡。使用 RMSProp 优化器在 ImageNet-1k 上训练。相比标准 MobileNetV3，RW 变体在相似参数量下通常有更好的 Top-1 精度。以 timm 格式发布。

相关获取地址：

• 权重下载地址（HuggingFace）：https://huggingface.co/timm/mobilenetv3_rw.rmsp_in1k

2. 验证环境

• NPU：8 × Ascend 910B3

3. 部署

conda create -n timm-models python=3.11 -y && conda activate timm-models
pip install torch==2.8.0 torch_npu==2.8.0.post4 timm safetensors pillow numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
python inference.py --model_path ./mobilenetv3_rw.rmsp_in1k --image photo.jpg --device npu

4. 性能

测试条件：6 张合成 224×224 图像，batch_size=8，NPU 预热 1 轮。

5. 精度

结论：精度误差率 0.0001%，评测通过。

6. 迁移适配说明

6.1 模型结构

• Backbone：MobileNetV3-RW（重新分配通道宽度，约 5.5M 参数）
• 优化器：RMSProp
• 输入：224×224 RGB
• 输出：1000 维 softmax

6.2 适配代码

import timm, json; from safetensors.torch import load_file
with open("config.json") as f: cfg = json.load(f)
model = timm.create_model(cfg["architecture"], pretrained=False, num_classes=cfg["num_classes"])
model.load_state_dict(load_file("model.safetensors"), strict=False)
model.to("npu:0").eval()

7. 注意事项

1. RW 变体：通道宽度重新分配，精度-效率权衡优于标准 MobileNetV3
2. timm 社区模型：与官方 MobileNetV3 共享相同适配代码
3. 首次 NPU 推理：5.5M 参数，算子编译约 2-3 秒