基于神经架构搜索的边缘设备自适应模型设计系统与硬件约束优化 .docxVIP

PAGE2

基于神经架构搜索的边缘设备自适应模型设计系统与硬件约束优化

摘要

随着物联网与边缘计算的迅猛发展，海量数据在边缘端产生并亟需本地处理。然而，边缘设备普遍存在算力受限、内存容量小及能耗预算严苛等硬件瓶颈，导致传统深度学习模型难以直接高效部署。本课题旨在设计一套基于神经架构搜索的边缘设备自适应模型设计系统，在硬件约束下自动优化模型结构，实现边缘侧的高效推理。

本课题遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。首先，分析了边缘部署的现实痛点与模型优化的功能需求；其次，构建了云边协同的系统总体架构，将云端搜索与边缘验证解耦；接着，详细设计了硬件约束感知模块与自适应搜索核心算法，引入基于可微分架构搜索的硬件感知损失函数；最终，完成了系统编码实现与全面测试验证。

本设计的核心创新点在于提出了硬件延迟与内存感知的动态惩罚机制，将设备物理约束直接嵌入架构搜索的梯度更新路径中，有效避免了传统方法中“先搜索后裁剪”导致的精度损失，显著提升了边缘模型的自适应能力与部署效率。

第一章绪论

1.1研究背景

近年来，物联网设备数量呈指数级增长，预计2025年全球连接设备将超过750亿台。从智能安防摄像头到工业传感器，海量数据在边缘侧持续产生。传统云计算模式将数据回传中心处理，不仅带来高网络延迟与带宽压力，更引发了数据隐私与安全风险。因此，边缘计算应运而生，成为解决