计算机科学与技术专业毕业论文（人工智能方向）.docxVIP

计算机科学与技术专业毕业论文（人工智能方向）

摘要

随着边缘计算与人工智能的深度融合，边缘设备上的AI部署面临能耗与精度的双重挑战。本文聚焦边缘计算环境下深度学习模型的轻量化优化技术，提出一种融合知识蒸馏与量化感知训练的混合优化框架。首先通过层间注意力机制重构教师模型知识传递路径，解决传统蒸馏中特征对齐失效问题；其次设计动态量化因子调节策略，平衡不同层的量化损失与计算开销。实验基于NVIDIAJetsonAGXOrin边缘平台，在ImageNet与COCO数据集上验证：优化后的MobileNetV4模型参数量压缩72%，FLOPs降低68%，推理能耗减少59%，Top-1准确率仅下降2.3%，优于当前主流轻量化方法。研究为工业物联网、智能安防等边缘场景的低功耗AI部署提供技术参考。关键词：边缘计算；模型轻量化；知识蒸馏；量化感知训练；能耗优化

1引言

1.1研究背景

在“万物智联”的发展浪潮下，人工智能技术正从云端集中式部署向边缘分布式部署演进。据Gartner预测，2025年全球边缘计算市场规模将突破2000亿美元，其中边缘AI占比超60%。边缘设备（如工业传感器、智能摄像头）受限于计算资源与电池容量，传统深度学习模型（如ResNet-50参数量达2500万）面临“部署困境”——要么因模型过大无法运行，要么因能耗过高导致设备续航骤降。

当前工业界亟需解决两大核心矛盾：一是模型精度与计算开销的平衡，二是推理性能与能耗消耗的优化。例如在智能安防场景中，前端摄像头需实时执行人脸检测任务，现有轻量化模型（如MobileNetV3）虽能运行，但夜间低光环境下准确率下降15%以上；而在农业物联网中，部署于无人机的病虫害识别模型，每增加1W能耗将缩短续航时间20分钟。因此，研究边缘友好型AI模型的优化方法具有重要现实意义。

1.2研究意义

1.2.1理论意义

突破传统模型轻量化“单一压缩”局限，建立“蒸馏-量化-剪枝”协同优化理论体系，揭示不同压缩技术的互补机制。

提出能耗感知的优化评价指标，解决现有研究中“重精度、轻能耗”的评价偏差问题，完善边缘AI的性能评估体系。

1.2.2实践意义

开发的轻量化模型可直接部署于主流边缘硬件（NVIDIAJetson系列、华为Atlas200），降低工业级边缘AI的部署成本。

优化框架支持多场景适配（图像分类、目标检测），为智能零售自动收银、校园安防监控等实际项目提供技术方案。

1.3国内外研究现状

1.3.1模型轻量化技术研究

国外研究起步较早，Google于2017年提出MobileNet系列，通过深度可分离卷积实现模型压缩，但早期版本存在梯度消失问题；2024年Microsoft提出QMoE模型，采用混合专家架构实现精度与效率平衡，但部署复杂度高。国内方面，华为2023年发布GhostNet-V3，利用特征复用降低参数量，但在小目标检测场景表现不佳；中科院自动化所2024年提出DistilQuant方法，融合蒸馏与量化，但未考虑边缘设备的能耗特性。

1.3.2边缘部署优化研究

NVIDIA于2024年推出TensorRT10.0，支持动态量化优化，但对自定义模型的适配性不足；国内阿里平头哥2025年发布玄铁C920处理器，集成AI加速单元，但缺乏配套的模型优化工具链。现有研究存在明显短板：一是优化目标单一，多聚焦精度或速度，忽视能耗优化；二是缺乏跨硬件平台的适配机制。

1.4研究内容与创新点

1.4.1研究内容

构建融合知识蒸馏与量化感知的混合优化框架，设计层间注意力蒸馏模块与动态量化调节器。

建立边缘设备能耗模型，量化模型参数与能耗的映射关系。

在ImageNet（图像分类）与COCO（目标检测）数据集上验证优化效果，对比主流轻量化方法。

开发边缘部署工具包，实现模型从训练到部署的全流程自动化。

1.4.2创新点

提出注意力引导的知识蒸馏机制，通过空间与通道注意力权重动态调整蒸馏损失，特征对齐准确率提升18%。

设计能耗感知的动态量化策略，根据层敏感度自动分配量化位宽（4-16bit），能耗降低比静态量化高23%。

构建“精度-速度-能耗”三维评价体系，填补边缘AI优化中能耗评估的空白。

1.5论文结构

本文共6章：第1章阐述研究背景与意义；第2章综述模型轻量化与边缘部署技术；第3章详细设计混合优化框架；第4章描述实验环境与方案；第5章分析实验结果；第6章总结研究成果并展望未来。

2相关技术综述

2.1模型轻量化核心技术

2.1.1