TinyNet D 是 TinyNet 系列中的轻量图像分类模型，在 TinyNet E 的基础上增加了网络容量。TinyNet D 是 TinyNet 家族中的较小变体（e < d < c < b < a），适合资源受限的边缘设备场景。
原始模型地址：
任务类型： 图像分类（Image Classification）
模型框架： PyTorch + timm
输入格式： 图像 (RGB, 152×152)
输出格式： 分类 logits (1000 类 ImageNet)
| 组件 | 版本 |
|---|---|
| Python | 3.10+ |
| PyTorch | 2.0+ |
| torch_npu | 2.0+ (Ascend NPU) |
| timm | 0.9.0+ |
| torchvision | 0.15.0+ |
| Pillow | 9.0.0+ |
| modelscope | 1.0.0+ |
TinyNet D 使用 timm 库加载 PyTorch 模型权重，在昇腾 NPU 上可直接使用 torch_npu 进行推理。通过 model.to('npu:0') 将模型迁移到昇腾 NPU，无需修改模型代码。
pip install torch torch_npu timm torchvision Pillow numpy modelscope safetensorspython inference.py --model tinynet_d --device cpupython inference.py --model tinynet_d --device npupython compare_cpu_npu.py --model tinynet_d| 指标 | CPU | NPU |
|---|---|---|
| 平均推理耗时 | 14.11 ms | 4.36 ms |
| 加速比 | 1x | 3.24x |
| 排名 | CPU 类别 | CPU 概率 | NPU 类别 | NPU 概率 |
|---|---|---|---|---|
| 1 | 539 | 0.188973 | 539 | 0.189434 |
| 2 | 735 | 0.125911 | 735 | 0.125847 |
| 3 | 533 | 0.103882 | 533 | 0.103841 |
| 4 | 411 | 0.099308 | 411 | 0.098729 |
| 5 | 443 | 0.033027 | 443 | 0.032826 |
| 指标 | 数值 |
|---|---|
| 余弦相似度 (Cosine Similarity) | 0.99999845 |
| 最大绝对误差 (Max Abs Error) | 0.00885701 |
| 平均绝对误差 (Mean Abs Error) | 0.00178377 |
| 均方根误差 (RMSE) | 0.00228609 |
| 平均相对误差 (Relative Error) | 0.7784% |
| Top-1 一致 | ✓ 是 (类别 539) |
| Top-5 重叠数 | 5/5 |
结论：NPU 与 CPU 推理结果误差 < 1%（余弦相似度 > 0.99999，Top-1/5 完全一致），精度验证通过。
| 指标 | CPU | NPU |
|---|---|---|
| 设备 | Intel Xeon | Ascend 910 |
| 推理耗时 (5 次平均) | 14.11 ms | 4.36 ms |
| 加速比 | 1x | 3.24x |
| 输入尺寸 | 3×152×152 | 3×152×152 |
| batch size | 1 | 1 |