本仓库包含了 timm 中的 tinynet_e.in1k 模型在华为昇腾 NPU 上的适配与推理实现。
tinynet_e.in1k (timm / HuggingFace Hub)本模型基于 timm 库加载预训练权重,模型权重通过 ModelScope 下载。在昇腾 NPU 上通过 torch_npu 实现硬件加速。
pip install -r requirements.txtpython inference.pypip install -r requirements.txtpython inference.pypython compare_cpu_npu.py| 指标 | 数值 |
|---|---|
| CPU 推理耗时 | 0.0100s |
| NPU 推理耗时 | 0.0044s |
| MAE (平均绝对误差) | 0.00252216 |
| Max Error (最大误差) | 0.01089984 |
| MSE (均方误差) | 1.037e-05 |
| 相对误差 | 0.00218056 |
| 误差百分比 | 0.2181 |
| 余弦相似度 | 0.99999762 |
| Top-5 索引一致性 | 是 |
结论: NPU 与 CPU 推理误差 < 1%
| 设备 | 推理耗时 (s) |
|---|---|
| CPU | 0.0100 |
| NPU | 0.0044 |
CPU inference time: 0.0100s
Top-5 indices: [419, 767, 549, 844, 605]
Top-5 values: [7.170613, 6.586422, 6.458436, 6.319043, 5.763714]
NPU inference time: 0.0044s
Top-5 indices: [419, 767, 549, 844, 605]
Top-5 values: [7.177947, 6.587846, 6.464177, 6.318672, 5.756062]
CPU/NPU Relative Error: 0.2181%Mean Absolute Error (MAE): 0.00252216
Max Absolute Error: 0.01089984
Cosine Similarity: 0.99999762
Relative Error: 0.00218056运行截图由 acend- 工具生成,展示推理成功画面。