wide_resnet101_2

1. 简介

本文档记录 timm/wide_resnet101_2.tv_in1k（Wide ResNet-101-2 图像分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

Wide ResNet-101-2 图像分类模型，基于 timm 框架，1000 类 ImageNet 分类。

2. 验证环境

组件	版本
`torch`	`2.5.1`
`torch_npu`	`2.5.1`
`timm`	`>=1.0.0`
`CANN`	`8.5.RC1`

NPU：Ascend910（单卡）
输入尺寸：224x224
类别数：1000
推理框架：PyTorch + timm

3. 快速部署

3.1 环境准备

pip install torch torchvision timm pillow

3.2 推理代码

import torch
import timm
from safetensors import safe_open
from PIL import Image
from torchvision import transforms

device = torch.device("npu:0" if torch.npu.is_available() else "cpu")

model = timm.create_model("wide_resnet101_2", pretrained=False, num_classes=1000)
state_dict = {}
with safe_open("model.safetensors", framework="pt", device="cpu") as f:
    for k in f.keys():
        state_dict[k] = f.get_tensor(k)
model.load_state_dict(state_dict, strict=False)
model = model.to(device).eval()

transform = transforms.Compose([
    transforms.Resize((224, 224)), transforms.ToTensor(),
    transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]),
])
img = Image.new("RGB", (224, 224), (128, 128, 128))
input_tensor = transform(img).unsqueeze(0).to(device)

with torch.no_grad():
    output = model(input_tensor)
pred = output.argmax(-1).item()
print(f"Predicted class: {pred}")

4. Smoke 验证

python3 inference.py

5. 性能参考

指标	数值
平均推理时间	`10.83ms`
测试次数	`50`

6. 精度评测

指标	数值
Top-1 一致性	`4/4`
Top-5 一致性	`4/4`
最大 logits 相对误差	`0.05%`
平均 KL 散度	`0.000000`
结论	`PASS`

wide_resnet101_2

1. 简介

本文档记录 timm/wide_resnet101_2.tv_in1k（Wide ResNet-101-2 图像分类模型）在昇腾 NPU（Ascend910）环境的快速部署与验证结果。

Wide ResNet-101-2 图像分类模型，基于 timm 框架，1000 类 ImageNet 分类。

2. 验证环境

组件	版本
`torch`	`2.5.1`
`torch_npu`	`2.5.1`
`timm`	`>=1.0.0`
`CANN`	`8.5.RC1`

NPU：Ascend910（单卡）
输入尺寸：224x224
类别数：1000
推理框架：PyTorch + timm

3. 快速部署

3.1 环境准备

pip install torch torchvision timm pillow

3.2 推理代码

import torch
import timm
from safetensors import safe_open
from PIL import Image
from torchvision import transforms

device = torch.device("npu:0" if torch.npu.is_available() else "cpu")

model = timm.create_model("wide_resnet101_2", pretrained=False, num_classes=1000)
state_dict = {}
with safe_open("model.safetensors", framework="pt", device="cpu") as f:
    for k in f.keys():
        state_dict[k] = f.get_tensor(k)
model.load_state_dict(state_dict, strict=False)
model = model.to(device).eval()

transform = transforms.Compose([
    transforms.Resize((224, 224)), transforms.ToTensor(),
    transforms.Normalize(mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225]),
])
img = Image.new("RGB", (224, 224), (128, 128, 128))
input_tensor = transform(img).unsqueeze(0).to(device)

with torch.no_grad():
    output = model(input_tensor)
pred = output.argmax(-1).item()
print(f"Predicted class: {pred}")

4. Smoke 验证

python3 inference.py

5. 性能参考

指标	数值
平均推理时间	`10.83ms`
测试次数	`50`

6. 精度评测

指标	数值
Top-1 一致性	`4/4`
Top-5 一致性	`4/4`
最大 logits 相对误差	`0.05%`
平均 KL 散度	`0.000000`
结论	`PASS`