Ascend NPU 上的 resnet50.gluon_in1k

1. 简介

模型来源：timm/resnet50.gluon_in1k
架构：ResNet-50（Gluon）
参数量：约25.6M
任务：图像分类（ImageNet-1K，1000类）
适配状态：SUCCESS

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

3. 推理脚本

python inference.py --device npu:0 --dtype float32

4. 推理输出证据

模型: cv_resnet50.gluon_in1k
设备: npu:0
精度: float32
------------------------------------------------------------
权重加载完成

--- CPU 推理 ---
输出形状: [1, 1000]
Logits 前5个: [0.91072017 2.035728   2.0007088  0.93351436 4.0191655 ]
是否有 NaN: False
预测类别: 904

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
Logits 前5个: [0.91101533 2.0358706  2.0010328  0.933808   4.019196  ]
是否有 NaN: False
预测类别: 904

--- 精度对比 ---
Cosine Similarity: 1.000000
Max Abs Error: 0.001267

--- 性能基准 ---
平均延迟: 5.20 ms (10轮)

✓ 推理完成

5. CPU vs NPU 精度对比

指标	数值
Cosine Similarity	1.000000
Max Abs Error	0.001267
预测类别一致	是 (904)

6. 性能参考

指标	数值
平均延迟	5.20 ms
测试轮数	10

Ascend NPU 上的 resnet50.gluon_in1k

1. 简介

模型来源：timm/resnet50.gluon_in1k
架构：ResNet-50（Gluon）
参数量：约25.6M
任务：图像分类（ImageNet-1K，1000类）
适配状态：SUCCESS

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

3. 推理脚本

python inference.py --device npu:0 --dtype float32

4. 推理输出证据

模型: cv_resnet50.gluon_in1k
设备: npu:0
精度: float32
------------------------------------------------------------
权重加载完成

--- CPU 推理 ---
输出形状: [1, 1000]
Logits 前5个: [0.91072017 2.035728   2.0007088  0.93351436 4.0191655 ]
是否有 NaN: False
预测类别: 904

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
Logits 前5个: [0.91101533 2.0358706  2.0010328  0.933808   4.019196  ]
是否有 NaN: False
预测类别: 904

--- 精度对比 ---
Cosine Similarity: 1.000000
Max Abs Error: 0.001267

--- 性能基准 ---
平均延迟: 5.20 ms (10轮)

✓ 推理完成

5. CPU vs NPU 精度对比

指标	数值
Cosine Similarity	1.000000
Max Abs Error	0.001267
预测类别一致	是 (904)

6. 性能参考

指标	数值
平均延迟	5.20 ms
测试轮数	10