Hardware-aware Neural Architecture Search: Towards Automated Edge Deployment

讲座主题：Hardware-aware Neural Architecture Search: Towards Automated Edge Deployment

讲座时间:

2023年6月9日上午9:30~11:00

讲座地点:

人工智能与计算机学院3楼报告厅(B310)

主讲人:

陆智超，助理教授，中山大学百人计划青年优秀人才。2020年8月毕业于美国密歇根州立大学电子与计算机工程系。2020年10月至2022年8月于南方科技大学从事科研工作，并于2022年9月加盟中山大学软件工程学院。主要研究方向为计算智能(Computational Intelligence)与深度学习(Deep Learning)，具体包括自动化机器学习(AutoML)、机器视觉(Computer Vision)、数据驱动的优化(Data-driven Optimization)、智能软件工程等。近年共发表论文20余篇，其中多篇发表在CVPR、ECCV、IEEE TPAMI、IEEE TEVC等相关领域国际顶级期刊和会议，并获得2019年GECCO国际会议（演化机器学习分会）最佳论文奖。

主讲内容:

神经网络的架构设计已经在各类复杂的计算机视觉任务中取得了显著成就。在自动化网络架构设计方面，神经网络架构搜索（NAS）表现出了极大的潜力，并在一些任务中取得了比人工设计网络架构更高的预测精度。近年来，深度学习的各类最新应用（如自动驾驶等）提出了对同时考虑多个不同目标的网络架构的新需求，使得NAS任务变成了一种多目标优化问题。这类问题可以使用进化多目标优化（EMO）算法来解决。然而，对通用的问题表述和基准评估方法的匮乏，给相关研究带来了一定的麻烦。为了填补这一差距，我们将NAS任务转化为一般的多目标优化问题形式，提出了一个用于高效地测试 EMO 算法的测试流程：EvoXBench。特别的是，EvoBench测试过程中并不需要 GPU 或 Pytorch/Tensorflow，使得它更易被应用于各类算法的测试，具有更加广泛的应用可能和应用场景。