PyTorch vs MindSpore 模型一致性实验总结

本实验对 AlexNet、GoogLeNet、ResNet、MobileNetV2 在 PyTorch 与 MindSpore 下的实现进行对比，主要通过相同输入下 logits 误差论证两框架的模型一致性：当 logits 最大/平均误差在 1e-2~1e-3 量级、预测一致率接近或达到 100% 时，可认为权重转换与前向推理等效。

---

1. AlexNet

指标	数值
数据集	ImageNet2012val
logits 最大误差	1.40e-02
logits 平均误差	1.24e-03
预测一致率	100.0%
PyTorch 准确度	56.40%
MindSpore 准确度	56.40%

---

2. GoogLeNet

指标	数值
数据集	ImageNet2012val
logits 最大误差	3.48e-02
logits 平均误差	2.51e-03
预测一致率	99.2%
PyTorch 准确度	60.80%
MindSpore 准确度	60.80%

---

3. MobileNetV2

指标	数值
数据集	ImageNet2012val
logits 最大误差	2.57e-02
logits 平均误差	3.17e-03
预测一致率	100.0%
PyTorch 准确度	69.20%
MindSpore 准确度	69.20%

---

4. ResNet

指标	数值
数据集	CIFAR-10 测试集
logits 最大误差	2.42e-02
logits 平均误差	3.56e-03
PyTorch 准确率	91.09%
MindSpore 准确率	91.09%

---

结论

• logits 误差：四模型在两框架下的 logits 最大误差均在 1e-2~3e-2 量级、平均误差在 1e-3 量级，属浮点运算正常差异。
• 预测一致：AlexNet、MobileNetV2 预测一致率 100%，GoogLeNet 99.2%，Top-1 预测高度一致。
• 准确度一致：各模型 PT/MS Top-1 准确度完全相同，验证权重转换与推理逻辑正确。

综合上述结果，可认为 PyTorch 与 MindSpore 的模型实现及权重转换具有良好一致性。