深度学习模型终端环境自适应方法研究

随着人工智能和物联网的快速发展与融合, 智能物联网AIoT 正成长为一个极具前景的新兴前 沿领域, 其中深度学习模型的终端运行是其主要特征之一. 针对智能物联网应用场景动态多样, 以及物联网终端 (智能手机、可穿戴及其他嵌入式设备等) 计算和存储资源受限等问题, 深度学习模型环境自适应正成为一种新的模型演化方式. 其旨在确保适当性能的条件下, 能自适应地根据环境变化动态调 整模型, 从而降低资源消耗、提高运算效率. 具体来说, 它需要主动感知环境、任务性能需求和平台资源约束等动态需求, 进而通过终端模型的自适应压缩、云边端模型分割、领域自适应等方法, 实现深度学习模型对终端环境的动态自适应和持续演化. 本文围绕深度学习模型自适应问题, 从其概念、系统架构、研究挑战与关键技术等不同方面进行阐述和讨论, 并介绍我们在这方面的研究实践.

http://scis.scichina.com/cn/2020/SSI-2020-0067.pdf