首先看了一下任务计划书：https://bbs.huaweicloud.cn/blogs/440522，主要目的是将 Swin-Transformer 项目适配至华为的 Ascend（昇腾）和 Kunpeng（鲲鹏）处理器，确保其在这些硬件平台上的高效运行，也就是说验证Swin-Transformer能不能在使用Ascend（昇腾）运行。

开发过程

明确目的后开始熟悉模型，Swin-Transformer 的github网址：https://github.com/microsoft/Swin-Transformer，官方没有直接给出预训练模型，代码仓库的get_started.md文件有模型训练方法，网络上也可以搜索到其它的模型训练方法，如：https://gitcode.com/gh_mirrors/de/deep-learning-for-image-processing/tree/master/pytorch_classification/swin_transformer。为了方便后续使用，我把代码库中的代码文件fork到了我自己的代码仓库，class_indices.json文件需要根据自己的训练数据集进行编写，格式如下图：

模型文件训练好之后就可以从本地的图片之中选择进行推理。

编写推理代码,使用NPU推理模型：

官方并没有直接提供模型在NPU的推理代码，需要自己编写，可以参考：https://gitcode.com/huyanbo/Swin-Transformer/overview，

使用conda创建python虚拟环境：本人python版本3.10，然后再安装numpy，本人numpy版本1.23.5。再把predict_npu.py里面表明的依赖库安装下来，其他的依赖库按照提示安装即可。

使用NPU推理模型需要安装pytorch、CANN和torch_npu，版本要相对应，还要额外安装psutil库和attrs库。

先安装CANN，参考：https://www.hiascend.com/zh/developer/download/community/result?module=cann。

pytorch和torch_npu的安装参考：https://github.com/Ascend/pytorch/blob/master/README.zh.md。

依赖安装完成后，就可以运行推理代码文件实现模型的使用。输入需要识别的图片路径，模型会对该图片进行分析并返回属于各个类别的置信度。

1       验收材料

（1）验证DEMO地址：https://gitcode.com/huyanbo/Swin-Transformer/overview

（2）验证DEMO修改记录（可以有多个修改记录，只包含和本任务验证强相关的提交记录，比如添加依赖、增加配置文件、演示开源软件功能使用的代码等）：https://gitcode.com/huyanbo/Swin-Transformer/commits/detail/8bb5a355bb07e0b1a0104e3bf0f1a278d077fff7?ref=Npu_demo

（3）博客地址：https://bbs.huaweicloud.cn/blogs/article 

2       资源清单

3       测试结果

此模型是图像分类模型，部署完成后运行代码可以输入想识别的图片路径，模型会将其属于各个类别的置信度返回出来。

Npu推理

运行程序前

运行程序后

我编辑npu时指定了npu编号为4，可以看到npu：4已经在运行了。

推理结果

输入的图片：

得到的结果

可以看到属于玫瑰的置信度最高，接近于1，模型识别正确。