resnet50c.gluon_in1k 在昇腾 NPU 上的表现

1. 简介

模型来源：timm/resnet50c.gluon_in1k
架构：ResNet-50（Gluon-C（平均池化步长=1））
参数量：约25.6M
任务：图像分类（ImageNet-1K，1000类）
适配状态：成功

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_resnet50c.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: [0.4312581  0.93048745 1.6135284  1.5886451  1.7852496 ]
是否有 NaN: False
预测类别: 295

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
Logits 前5个: [0.4314098 0.9304248 1.6133891 1.5885777 1.7851291]
是否有 NaN: False
预测类别: 295

--- 精度对比 ---
Cosine Similarity: 1.000000
Max Abs Error: 0.001070

--- 性能基准 ---
平均延迟: 5.34 ms (10轮)

✓ 推理完成

5. CPU 与 NPU 精度对比

指标	数值
余弦相似度	1.000000
最大绝对误差	0.001070
预测类别一致	是 (295)

6. 性能参考

指标	数值
平均延迟	5.34 ms
测试轮数	10

resnet50c.gluon_in1k 在昇腾 NPU 上的表现

1. 简介

模型来源：timm/resnet50c.gluon_in1k
架构：ResNet-50（Gluon-C（平均池化步长=1））
参数量：约25.6M
任务：图像分类（ImageNet-1K，1000类）
适配状态：成功

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_resnet50c.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: [0.4312581  0.93048745 1.6135284  1.5886451  1.7852496 ]
是否有 NaN: False
预测类别: 295

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
Logits 前5个: [0.4314098 0.9304248 1.6133891 1.5885777 1.7851291]
是否有 NaN: False
预测类别: 295

--- 精度对比 ---
Cosine Similarity: 1.000000
Max Abs Error: 0.001070

--- 性能基准 ---
平均延迟: 5.34 ms (10轮)

✓ 推理完成

5. CPU 与 NPU 精度对比

指标	数值
余弦相似度	1.000000
最大绝对误差	0.001070
预测类别一致	是 (295)

6. 性能参考

指标	数值
平均延迟	5.34 ms
测试轮数	10