[发明专利]基于三目标联合优化的神经网络轻量化部署方法

权利要求书

1.一种基于三目标联合优化的神经网络轻量化部署方法，其特征在于，包括以下步骤：

S1：在边缘侧设备上挂载终端设备，所述边缘侧设备具有计算单元以及能够实现数据传输的连接触点，将初始网络模型M以及终端设备执行监测任务需要达到的目标函数，输入至计算单元，其中，分别表示模型浮点数FLOPs、模型参数量和模型精度，n为模型通道数；

S2：利用计算单元对所述初始网络模型M进行剪枝得到优化后的最优网络模型M’；

S3：将剪枝优化后的最优网络模型M’通过边缘侧设备上的连接触点传输至终端设备；

S4：利用终端设备上的摄像装置实时采集待识别目标的图像序列；

S5：将所述待识别目标的图像序列输入至部署在终端设备上的最优网络模型M’中，输出待识别目标的识别结果；

S6：终端设备回到边缘侧设备并将识别结果通过连接触点回传至边缘侧设备；

在S2中，对所述初始网络模型M进行剪枝的方法包括：

S21：输入最大迭代次数G和种群数量q；

S22：初始化种群，在搜索空间范围内生成包含q个解的解集S₀,其中，n为模型通道数；

S23：当迭代次数g＜G时，使用交叉变异操作生成新的解集S’ ；

S24：将S22得到的解集S₀和S23得到的解集S’进行合并，得到待选种群，使用动态参考线改进后的RVEA进化算法对待选种群进行寻优，得到新的种群；

S25：在得到新的种群后，所述种群中对应了一组最优解的集合，利用该组最优解的集合对所述初始网络模型M进行剪枝，得到剪枝后的候选网络模型集合；

S26：将Eagle Eye算法嵌入剪枝框架中，利用所述Eagle Eye算法从候选网络模型集合中选择一个最优的网络模型，其中最优的所述网络模型能够使得模型浮点数FLOPs、模型参数量和模型精度达到综合最优的结果；

S27：对最优的所述网络模型进行训练，得到剪枝优化后的最优网络模型M’；

在S22中，所述搜索空间范围的定义如下：

其中，代表第k层第i个通道；

在S24中，使用动态参考线改进RVEA进化算法的方法包括：

当迭代次数g=0时，获取原始参考线集合，对每个原始参考线进行等分，得到在每个原始参考线上均匀分布的参考点，计算所有参考点的数量，将参考点与原点连接构成参考线，得到参考线集合；

当迭代次数g≠0时，则使用自适应参考线调整策略调整上一次迭代的参考线集合，得到新的参考线集合，包括：

对于上一次迭代得到的参考线集合中的每一条参考线，计算该次迭代得到的待选种群中的所有解到该参考线的距离，寻找距离该参考线最近的两个解；

更新每一条参考线距离其最近的两个解的中点位置，得到新的参考线集合，更新参考线的矢量表达式如下：

其中，和表示距离上一次迭代得到的参考线最近的两个解，表示更新后的参考线。

2.根据权利要求1所述的基于三目标联合优化的神经网络轻量化部署方法，其特征在于，所述连接触点还用于对所述终端设备进行充电。

3.一种计算机装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1或2所述方法的步骤。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1或2所述方法的步骤。

5.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1或2所述方法的步骤。