基于神经架构搜索的边缘端自适应模型设计系统与硬件感知优化.docxVIP

PAGE2

基于神经架构搜索的边缘端自适应模型设计系统与硬件感知优化

摘要

随着物联网与边缘计算的快速发展，智能应用正从云端向边缘终端迁移，但边缘设备算力、内存和能耗的严格受限，使得传统固定结构的深度学习模型难以高效部署。本文针对这一痛点，设计并实现了一个基于神经架构搜索的边缘端自适应模型设计系统，该系统能够在给定硬件约束下自动搜索最优模型结构，并支持在线自适应调整。

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。论文首先梳理了边缘智能场景下模型部署的瓶颈，明确了系统需支持可配置搜索空间、硬件感知评估和自适应部署的功能需求。在总体设计阶段，架构被划分为任务定义、搜索空间构建、搜索引擎、硬件感知评估器与自适应部署五大模块。详细设计深入阐述了基于可微分架构搜索的算法流程、硬件约束建模方法以及模型压缩与部署的协同机制。实现部分展示了基于PyTorch和TensorFlowLite的开发方案，并解决了搜索效率与资源消耗的平衡难题。测试表明，系统搜索出的模型在树莓派等边缘设备上，相比MobileNetV3在相同延迟下精度提升2.3%，并能根据设备负载变化动态切换模型，实现了高效自适应推理。

本设计的核心创新在于将硬件感知评价函数深度嵌入架构搜索过程，并引入自适应模型切换机制，为边缘端智能化部署提供了系统级解决方案。

第一章绪论

1.1研究背景

边缘计算场景