面向边缘计算的深度神经网络模型块动态优化方法技术

本发明专利技术涉及一种面向边缘计算的深度神经网络模型块动态优化方法，属于深度学习技术领域，包括：从深度神经网络模型中提取出不同侧重点的模型块；对模型块进行剪枝，生成后代块；对后代块进行重训练以提高精度，得到带标签的后代块；基于系统当前的资源可用性及延迟要求，将带标签的后代块进行缩放优化；根据任务特点选择后代块组合方式，完成深度神经网络模型的部署。本发明专利技术旨在解决深度神经网络模型因结构复杂、计算量大而难以在资源受限的边缘设备上高效部署的问题，通过对深度学习模型的深度剖析和处理，提升模型在不同计算环境下的计算效率与部署灵活性。

【技术实现步骤摘要】

本专利技术涉及一种面向边缘计算的深度神经网络模型块动态优化方法，属于深度学习，特别是一种基于深度神经网络（dnn）模型块动态优化的边缘计算方法，旨在提高边缘设备上dnn模型的计算效率和部署灵活性。

技术介绍

1、深度神经网络（dnn）因其复杂的结构和高性能解决方案而在多个领域得到广泛应用。然而，dnn模型的计算量大、训练时间长，对硬件要求高，难以部署在计算资源有限的边缘设备上。深度神经网络（dnn）凭借其强大的特征学习和任务处理能力，在众多领域取得显著成果。然而，其复杂的结构和巨大的计算量导致对硬件资源要求严苛，在边缘计算设备或资源有限的场景中部署面临挑战。传统的整体式dnn模型无法根据不同计算环境灵活调整，限制了其应用范围和效率。因此，开发一种能对dnn模型进行有效拆分、优化及动态选择组合的技术至关重要。

2、随着神经网络技术在各个领域的广泛应用，模型规模不断增大，对计算资源和存储资源的需求也日益增加。在实际应用中，不同任务对模型的侧重点有所不同，传统的整体式神经网络模型在处理多任务时效率较低且灵活性不足。因此，如何有效地分解神经网络模型，使本文档来自技高网...

【技术保护点】

1.一种面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤S1中提取模型块的过程包括：

3.根据权利要求2所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤S12中，功能相似性度量函数基于子模块的操作类型、输入输出数据特征综合计算，数据关联度函数通过计算两个子模块之间数据流量大小、数据依赖关系指标来确定。

4.根据权利要求2所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤S14中，设计计算环境的可用资源向量...

【技术特征摘要】

1.一种面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤s1中提取模型块的过程包括：

3.根据权利要求2所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤s12中，功能相似性度量函数基于子模块的操作类型、输入输出数据特征综合计算，数据关联度函数通过计算两个子模块之间数据流量大小、数据依赖关系指标来确定。

4.根据权利要求2所述的面向边缘计算的深度神经网络模型块动态优化方法，其特征在于，步骤s14中，设计计算环境的可用资源向量为，其中表示第种资源的可用量，对于每个模型块，建立资源需求向量，表示该模型块运行所需的各种资源量，其中表示模型块运行所需要的第n种资源量；同时，定义模型块在特定任务上的性能得分函数，用于衡量模型块在任务t上的性能表现；计算资源适配度函数和性能权重函数：

5.根据权利要求4所述的面向边缘计算的深度神经...

【专利技术属性】
技术研发人员：陈静，张天翔，王英龙，季明超，付同林，李胜楠，贝太安，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：