tf_efficientnet_b0_in on Ascend NPU
1. 简介
本文档记录 timm/tf_efficientnet_b0.in1k (EfficientNet-B0 IN) 在昇腾 NPU 上的适配验证结果。
- 模型来源: timm/tf_efficientnet_b0.in1k
- 架构: TensorFlow-style EfficientNet-B0 ImageNet baseline
- 参数量: ~5.3M
- 任务: Image Classification (图像分类, ImageNet-1K, 1000类)
- 适配状态: SUCCESS
- 适配时间: 2026-05-18
2. 验证环境
| 组件 | 版本 |
|---|
torch | 2.9.0 |
torch-npu | 2.9.0.post1 |
timm | 1.0.27 |
CANN | 8.5.1 |
- NPU: Ascend 910B4
- 系统: Linux aarch64
3. 推理脚本
python inference.py --device npu:0 --dtype float32
4. 推理输出证据
模型: tf_efficientnet_b0.in1k
设备: npu:0
精度: float32
------------------------------------------------------------
权重加载完成
--- CPU 推理 ---
输出形状: [1, 1000]
输出前5值: [-1.1958, 0.5139, 0.1884, -0.2673, 0.9470]
--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
输出前5值: [-1.1956, 0.5130, 0.1869, -0.2694, 0.9448]
=== 精度对比 ===
Cosine Similarity: 1.000000
Max Absolute Error: 0.003404
--- 性能基准 ---
平均延迟: 7.20 ms (10轮)
✓ NPU 适配通过
5. 性能参考
6. CPU vs NPU 精度对比
| 指标 | 数值 |
|---|
| Cosine Similarity | 1.000000 |
| Max Abs Error | 0.003404 |
| 精度误差 | < 0.01% |
| 是否满足要求 | 是（< 1%） |
7. 评测材料
| 材料 | 文件 | 说明 |
|---|
| 推理脚本 | inference.py | 独立可运行的 NPU 推理代码 |
8. 注意事项
- 使用 timm 库的
tf_efficientnet_b0.in1k 模型定义
- 权重通过 timm 从 HuggingFace Hub 下载（hf-mirror）
- 输入: 随机 224x224 RGB 图像
- 输出: 1000 类 ImageNet 分类 logits
贡献者: xujiashuai
参赛赛道: 模型适配赛道
提交时间: 2026-05-18
