timm-tf_efficientnet_lite1.in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-tf_efficientnet_lite1.in1k
来源: timm
任务: ImageNet 图像分类

2. 昇腾 NPU 适配结果

指标	值
设备	Ascend 910B4
精度	float32
余弦相似度	0.999999
最大绝对误差	0.007410
NPU 推理时间	7.54ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== tf_efficientnet_lite1.in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-2.095957040786743, 0.9001676440238953, 0.717802107334137, 1.1337624788284302, 1.4263778924942017]
推理时间: 113.94ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-2.0965638160705566, 0.8998129367828369, 0.7171677350997925, 1.1335365772247314, 1.424786925315857]
推理时间: 7.54ms

=== 精度对比 ===
Cosine Similarity: 0.999999
Max Absolute Error: 0.007410
Relative Error: 0.005358

✓ NPU 适配通过

5. 精度校验

CPU 与 NPU 推理结果对比：

余弦相似度：0.999999（> 0.99 即通过）
最大绝对误差：0.007410

timm-tf_efficientnet_lite1.in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-tf_efficientnet_lite1.in1k
来源: timm
任务: ImageNet 图像分类

2. 昇腾 NPU 适配结果

指标	值
设备	Ascend 910B4
精度	float32
余弦相似度	0.999999
最大绝对误差	0.007410
NPU 推理时间	7.54ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== tf_efficientnet_lite1.in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-2.095957040786743, 0.9001676440238953, 0.717802107334137, 1.1337624788284302, 1.4263778924942017]
推理时间: 113.94ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-2.0965638160705566, 0.8998129367828369, 0.7171677350997925, 1.1335365772247314, 1.424786925315857]
推理时间: 7.54ms

=== 精度对比 ===
Cosine Similarity: 0.999999
Max Absolute Error: 0.007410
Relative Error: 0.005358

✓ NPU 适配通过

5. 精度校验

CPU 与 NPU 推理结果对比：

余弦相似度：0.999999（> 0.99 即通过）
最大绝对误差：0.007410