timm-tf_efficientnetv2_b2.in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-tf_efficientnetv2_b2.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	1.000000
最大绝对误差	0.003210
NPU 推理时间	10.76ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== tf_efficientnetv2_b2 ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-1.2584048509597778, 0.150241419672966, 1.0304462909698486, -0.2010103166103363, 2.377777576446533]
推理时间: 200.96ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-1.2589776515960693, 0.15088297426700592, 1.0295946598052979, -0.20166218280792236, 2.3784284591674805]
推理时间: 10.76ms

=== 精度对比 ===
Cosine Similarity: 1.000000
Max Absolute Error: 0.003210
Relative Error: 0.002516

✓ NPU 适配通过

5. 精度校验

CPU 与 NPU 推理结果对比：

余弦相似度：1.000000（> 0.99 为通过）
最大绝对误差：0.003210

timm-tf_efficientnetv2_b2.in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-tf_efficientnetv2_b2.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	1.000000
最大绝对误差	0.003210
NPU 推理时间	10.76ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== tf_efficientnetv2_b2 ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-1.2584048509597778, 0.150241419672966, 1.0304462909698486, -0.2010103166103363, 2.377777576446533]
推理时间: 200.96ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-1.2589776515960693, 0.15088297426700592, 1.0295946598052979, -0.20166218280792236, 2.3784284591674805]
推理时间: 10.76ms

=== 精度对比 ===
Cosine Similarity: 1.000000
Max Absolute Error: 0.003210
Relative Error: 0.002516

✓ NPU 适配通过

5. 精度校验

CPU 与 NPU 推理结果对比：

余弦相似度：1.000000（> 0.99 为通过）
最大绝对误差：0.003210