面向资源受限边缘设备的神经网络结构搜索与动态剪枝协同系统设计.docxVIP

PAGE2

面向资源受限边缘设备的神经网络结构搜索与动态剪枝协同系统设计

摘要

随着物联网与智能终端的发展，边缘计算场景对轻量化、高效率的深度学习模型需求日益迫切。然而，边缘设备普遍存在算力、内存及能耗的严格限制，传统神经网络模型难以直接部署。本课题旨在设计并实现一套面向资源受限边缘设备的神经网络结构搜索与动态剪枝协同系统，以达成模型在边缘侧的自适应压缩与高效部署。

本设计首先通过构建一个低搜索复杂度的NAS（神经网络结构搜索）空间，显著降低自动化网络设计的计算开销。其次，提出一种运行时动态剪枝策略，根据输入数据特征与设备实时资源状态，对模型进行在线稀疏化处理。最终，将两者协同，实现从搜索到部署的全流程自动化，使模型能够自适应不同边缘设备的资源约束。

论文主体遵循工程化设计流程：第一章阐述研究背景与意义；第二章分析相关技术与开发工具；第三章进行详细的需求分析；第四章与第五章分别完成系统的总体与详细设计；第六章展示系统实现过程；第七章通过系统测试验证功能与性能；第八章总结全文并展望未来。本设计的核心创新在于将NAS与动态剪枝在边缘侧进行闭环协同，实现了搜索-压缩-部署的一体化，有效平衡了模型精度与推理效率。

第一章绪论

1.1研究背景

边缘人工智能（EdgeAI）正成为推动智能制造、智慧城市、自动驾驶等领域落地的关键。其核心是将AI推理能力从云端下沉至网络边缘的设备端，如