timm-resnet18_a3 on Ascend NPU

1. 简介

本文档记录 timm/resnet18.a3_in1k (ResNet18 A3) 在昇腾 NPU 上的适配验证结果。

模型来源: timm/resnet18.a3_in1k
参数量: ~11.7M
任务: Image Classification (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

3. 推理脚本

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

4. 推理输出证据

if self.device.type != 'cpu':
模型: resnet18.a3_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: [-9.331768989562988, -7.5478196144104, -6.39435338973999, -7.144297122955322, -6.4267425537109375]

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
输出前5值: [-9.331853866577148, -7.547951698303223, -6.394516944885254, -7.144443035125732, -6.427119731903076]

=== 精度对比 ===
Cosine Similarity: 1.000000
Max Absolute Error: 0.000672

--- 性能基准 ---
平均延迟: 2.40 ms (10轮)

✓ NPU 适配通过

5. 性能参考

指标	数值
平均延迟	2.40 ms
测试轮数	10

6. CPU vs NPU 精度对比

指标	数值
Cosine Similarity	1.000000
Max Abs Error	0.000672
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`	NPU 推理代码

8. 注意事项

使用 timm 库加载预训练权重（hf-mirror）
输入: 随机 224x224 RGB 图像
输出: 1000 类 ImageNet logits

贡献者: xujiashuai 参赛赛道: 模型适配赛道 提交时间: 2026-05-18

timm-resnet18_a3 on Ascend NPU

1. 简介

本文档记录 timm/resnet18.a3_in1k (ResNet18 A3) 在昇腾 NPU 上的适配验证结果。

模型来源: timm/resnet18.a3_in1k
参数量: ~11.7M
任务: Image Classification (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

3. 推理脚本

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

4. 推理输出证据

if self.device.type != 'cpu':
模型: resnet18.a3_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: [-9.331768989562988, -7.5478196144104, -6.39435338973999, -7.144297122955322, -6.4267425537109375]

--- NPU 推理 (npu:0) ---
输出形状: [1, 1000]
输出前5值: [-9.331853866577148, -7.547951698303223, -6.394516944885254, -7.144443035125732, -6.427119731903076]

=== 精度对比 ===
Cosine Similarity: 1.000000
Max Absolute Error: 0.000672

--- 性能基准 ---
平均延迟: 2.40 ms (10轮)

✓ NPU 适配通过

5. 性能参考

指标	数值
平均延迟	2.40 ms
测试轮数	10

6. CPU vs NPU 精度对比

指标	数值
Cosine Similarity	1.000000
Max Abs Error	0.000672
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`	NPU 推理代码

8. 注意事项

使用 timm 库加载预训练权重（hf-mirror）
输入: 随机 224x224 RGB 图像
输出: 1000 类 ImageNet logits

贡献者: xujiashuai 参赛赛道: 模型适配赛道 提交时间: 2026-05-18