VIP20

本课程属于：027-Edge AI模型压缩：剪枝、蒸馏与稀疏化 嵌入式边缘AI与TinyML · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

16. Edge AI NAS模型搜索：硬件感知网络结构自动优化

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · Edge AI与NAS的关联

课程导入学习目标

边缘计算概念 · 边缘设备类型（MCU · GPU

神经网络架构搜索（NAS）入门

NAS定义 · 发展历史 · 主流方法分类（基于RL

NAS神经网络架构搜索

硬件感知NAS（HW-NAS）核心思想

为什么需要硬件感知 · 硬件指标（FLOPs · MACs

硬件性能建模

如何建立硬件延迟/能耗预测模型 · 查表法 · 回归模型

硬件性能建模如何建立硬件延迟

搜索空间设计

针对边缘设备的搜索空间（如Mobil… · FBNet · Once-for-All）

搜索空间设计Mobil

随机搜索 · 进化算法 · 强化学习

搜索策略随机搜索

One-Shot NAS与权重共享

超网络训练 · 权重继承 · 子网采样

硬件感知的约束优化

多目标优化（精度 · 延迟 · 能耗）

硬件感知的约束优…多目标优化

典型HW-NAS算法详解

FBNet · MnasNet · ProxylessNAS

硬件感知的量化与剪枝联合搜索

混合精度量化搜索 · 结构化剪枝与NAS结合

硬件感知的量化剪枝联合搜索

边缘设备适配

不同硬件（ARM CPU · Edge TPU · Jetson

边缘设备适配ARM

数据集与基准

ImageNet · CIFAR · 自定义边缘数据集

数据集基准

环境搭建（Python · PyTorch/TensorFlow… · 硬件模拟器或真实设备

实战准备Python

使用OFA在边缘GPU上搜索高效模型 · 步骤详解（超网络训练 · 进化搜索

实战案例1OFA

基于MnasNet的移动端模型搜索 · 如何设置硬件延迟约束并优化精度

实战案例2MnasNet

针对树莓派或Jetson Nano的… · 使用延迟预测器进行硬件感知搜索

实战案例3Jetson

模型部署与推理优化

将搜索得到的模型导出 · 量化 · 使用TensorRT/OpenVIN…

模型部署推理优化

评估与验证

在真实硬件上测量延迟 · 能耗 · 精度

常见问题与调试

搜索不收敛 · 硬件预测不准 · 超网络训练不稳定

常见问题调试

HW-NAS的局限性与挑战

搜索成本高 · 硬件多样性 · 泛化能力

HW-NAS的局限性

可微分NAS · 零成本代理（Zero-Cost Pr… · 硬件感知的Transformer搜索

前沿进展NAS

自动化机器学习（AutoML）与NAS的关系

AutoML框架（如NNI · AutoKeras）中的HW-NAS…

工业应用案例

手机端人脸识别 · 智能摄像头目标检测 · 可穿戴设备语音唤醒中的HW-NAS实…

工业应用案例手机端人脸识别

性能优化技巧

如何减少搜索时间（早停 · 代理模型 · 并行搜索）

性能优化技巧如何减少搜索时间

设计一个完整的HW-NAS流程 · 从需求分析 · 搜索空间定义

课程项目HW-NAS

HW-NAS与模型压缩（量化 · 蒸馏 · 剪枝）的协同

综合讨论HW-NAS

硬件-软件协同设计 · 可重构硬件 · 神经形态计算与NAS的结合

未来趋势硬件

核心知识点回顾 · 技能清单 · 学习路径建议

课程总结核心知识点回顾

结课测试与答疑

综合测试题（概念 · 算法 · 实战）

结课测试答疑