timm-efficientnet_b0.ra_in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-efficientnet_b0.ra_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	0.001807
NPU 推理时间	6.99ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== efficientnet_b0.ra_in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.4969971477985382, -0.04639320448040962, 0.23648139834403992, 0.033408716320991516, 0.4959682822227478]
推理时间: 204.87ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.49759045243263245, -0.04780953750014305, 0.2352926880121231, 0.03209051862359047, 0.49449560046195984]
推理时间: 6.99ms

=== 精度对比 ===
Cosine Similarity: 0.999999
Max Absolute Error: 0.001807
Relative Error: 0.009792

✓ 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 通过）
最大绝对误差：0.001807

timm-efficientnet_b0.ra_in1k - 昇腾 NPU 适配

1. 模型信息

模型: timm-efficientnet_b0.ra_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	0.001807
NPU 推理时间	6.99ms

3. 推理脚本

python3 inference.py

4. 推理输出证据

=== efficientnet_b0.ra_in1k ===
Dtype: torch.float32

--- CPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.4969971477985382, -0.04639320448040962, 0.23648139834403992, 0.033408716320991516, 0.4959682822227478]
推理时间: 204.87ms

--- NPU 推理 ---
输出形状: torch.Size([1, 1000])
输出前5值: [-0.49759045243263245, -0.04780953750014305, 0.2352926880121231, 0.03209051862359047, 0.49449560046195984]
推理时间: 6.99ms

=== 精度对比 ===
Cosine Similarity: 0.999999
Max Absolute Error: 0.001807
Relative Error: 0.009792

✓ 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 通过）
最大绝对误差：0.001807