基于神经架构搜索的边缘端模型自动设计系统设计与搜索加速.docxVIP

PAGE2

基于神经架构搜索的边缘端模型自动设计系统设计与搜索加速

摘要

随着物联网与边缘智能的快速发展，越来越多的深度学习模型需部署在计算资源受限的边缘设备上。手工设计轻量级网络耗时费力，且难以在精度与效率间取得最优平衡。本课题针对边缘端模型自动设计的需求，设计并实现了一套基于神经架构搜索的自动设计系统，并重点研究搜索加速技术。系统采用模块化架构，将搜索空间定义、性能评估代理、搜索策略与边缘端部署验证集成为流水线，支持针对目标设备自动生成优化模型。

本文首先分析边缘端模型设计的痛点与现有NAS方案在搜索效率上的不足，完成需求分析。随后，从总体架构、模块划分、数据存储与接口等方面进行系统设计。详细设计阶段，阐述了基于单元的可微搜索空间、参数共享超网络、提前停止与性能预测器等加速机制。实现部分展示了系统核心功能与关键代码片段，并描述了搜索加速的难点解决。测试结果表明，系统能够在较短时间内搜索出精度高、延迟低、参数量少的边缘端模型，在CIFAR-10数据集上搜索耗时较传统NAS降低约60%，所得模型在树莓派4B上推理延迟低于20ms，准确率达93.8%。本系统为边缘智能应用提供了一种高效、自动化的模型设计工具。

第一章绪论

1.1研究背景

近年来，边缘计算将数据处理推向网络边缘，减少了数据传输延迟与带宽压力。在智能家居、自动驾驶、工业检测等场景中，深度神经网络模型需直接运行在