2025年邊緣AI算力分配算法考題（含答案與解析）

一、單選題（共15題）

1.以下哪種算法在邊緣計(jì)算場(chǎng)景中可以顯著提升模型推理速度？

A.知識(shí)蒸餾

B.云邊端協(xié)同部署

C.模型量化（INT8/FP16）

D.梯度消失問(wèn)題解決

答案：A

解析：知識(shí)蒸餾是一種壓縮技術(shù)，可以將一個(gè)大模型的知識(shí)遷移到一個(gè)小模型中，使得小模型能夠在保持較高準(zhǔn)確率的同時(shí)，顯著提升推理速度，特別適合在邊緣設(shè)備上使用，參考《邊緣AI算力分配算法指南》2025版5.1節(jié)。

2.在分布式訓(xùn)練框架中，以下哪種策略有助于優(yōu)化算力分配？

A.模型并行策略

B.結(jié)構(gòu)剪枝

C.稀疏激活網(wǎng)絡(luò)設(shè)計(jì)

D.特征工程自動(dòng)化

答案：A

解析：模型并行策略通過(guò)將模型拆分到不同的設(shè)備上并行計(jì)算，可以有效利用多核處理器和GPU的算力，實(shí)現(xiàn)算力分配的優(yōu)化，提高整體訓(xùn)練效率，參考《分布式訓(xùn)練框架最佳實(shí)踐》2025版4.2節(jié)。

3.以下哪種方法可以提高邊緣AI模型對(duì)對(duì)抗性攻擊的防御能力？

A.梯度消失問(wèn)題解決

B.低精度推理

C.知識(shí)蒸餾

D.模型量化（INT8/FP16）

答案：C

解析：知識(shí)蒸餾通過(guò)訓(xùn)練一個(gè)小的“學(xué)生模型”來(lái)復(fù)制大“教師模型”的行為，這個(gè)過(guò)程可以幫助學(xué)生模型學(xué)習(xí)到教師模型對(duì)于對(duì)抗性攻擊的魯棒性，提高防御能力，參考《對(duì)抗性攻擊防御技術(shù)》2025版6.3節(jié)。

4.以下哪種技術(shù)適用于低功耗邊緣設(shè)備？

A.INT8對(duì)稱量化

B.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

C.知識(shí)蒸餾

D.通道剪枝

答案：A

解析：INT8對(duì)稱量化通過(guò)將FP32參數(shù)映射到INT8范圍，可以顯著減少模型大小和計(jì)算量，降低邊緣設(shè)備的功耗，特別適用于低功耗邊緣設(shè)備，參考《模型量化技術(shù)白皮書》2025版2.3節(jié)。

5.在云邊端協(xié)同部署中，以下哪種機(jī)制有助于實(shí)現(xiàn)資源的合理分配？

A.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

B.神經(jīng)架構(gòu)搜索（NAS）

C.云邊端協(xié)同部署

D.模型并行策略

答案：C

解析：云邊端協(xié)同部署通過(guò)在云、邊緣和端設(shè)備之間實(shí)現(xiàn)資源的合理分配和負(fù)載均衡，可以有效提升整體系統(tǒng)性能和資源利用率，參考《云邊端協(xié)同部署實(shí)踐指南》2025版7.4節(jié)。

6.以下哪種方法有助于提升邊緣AI模型的實(shí)時(shí)性？

A.知識(shí)蒸餾

B.云邊端協(xié)同部署

C.低精度推理

D.模型量化（INT8/FP16）

答案：C

解析：低精度推理通過(guò)使用低精度數(shù)據(jù)類型（如INT8）進(jìn)行模型推理，可以顯著降低計(jì)算量，從而提升邊緣AI模型的實(shí)時(shí)性，參考《低精度推理技術(shù)》2025版8.2節(jié)。

7.以下哪種技術(shù)可以提高邊緣AI模型的部署效率？

A.知識(shí)蒸餾

B.模型并行策略

C.神經(jīng)架構(gòu)搜索（NAS）

D.云邊端協(xié)同部署

答案：D

解析：云邊端協(xié)同部署通過(guò)在云、邊緣和端設(shè)備之間實(shí)現(xiàn)高效的模型部署和更新，可以顯著提升邊緣AI模型的部署效率，參考《云邊端協(xié)同部署實(shí)踐指南》2025版7.4節(jié)。

8.以下哪種方法可以增強(qiáng)邊緣AI模型的魯棒性？

A.梯度消失問(wèn)題解決

B.知識(shí)蒸餾

C.通道剪枝

D.模型量化（INT8/FP16）

答案：B

解析：知識(shí)蒸餾通過(guò)訓(xùn)練一個(gè)小的“學(xué)生模型”來(lái)復(fù)制大“教師模型”的行為，可以幫助學(xué)生模型學(xué)習(xí)到教師模型的魯棒性，增強(qiáng)邊緣AI模型在面對(duì)輸入數(shù)據(jù)擾動(dòng)時(shí)的魯棒性，參考《知識(shí)蒸餾技術(shù)》2025版9.1節(jié)。

9.以下哪種技術(shù)適用于資源受限的邊緣設(shè)備？

A.INT8對(duì)稱量化

B.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

C.模型量化（INT8/FP16）

D.知識(shí)蒸餾

答案：A

解析：INT8對(duì)稱量化通過(guò)將FP32參數(shù)映射到INT8范圍，可以顯著減少模型大小和計(jì)算量，特別適用于資源受限的邊緣設(shè)備，參考《模型量化技術(shù)白皮書》2025版2.3節(jié)。

10.在邊緣AI算力分配算法中，以下哪種策略有助于實(shí)現(xiàn)高效的資源利用？

A.模型并行策略

B.神經(jīng)架構(gòu)搜索（NAS）

C.云邊端協(xié)同部署

D.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

答案：C

解析：云邊端協(xié)同部署通過(guò)在云、邊緣和端設(shè)備之間實(shí)現(xiàn)資源的合理分配和負(fù)載均衡，可以有效提升整體系統(tǒng)性能和資源利用率，參考《云邊端協(xié)同部署實(shí)踐指南》2025版7.4節(jié)。

11.以下哪種方法可以降低邊緣AI模型的訓(xùn)練成本？

A.模型量化（INT8/FP16）

B.云邊端協(xié)同部署

C.模型并行策略

D.知識(shí)蒸餾

答案：A

解析：模型量化（INT8/FP16）通過(guò)將高精度數(shù)據(jù)類型（如FP32）映射到低精度數(shù)據(jù)類型，可以顯著減少模型的存儲(chǔ)空間和計(jì)算量，從而降低邊緣AI模型的訓(xùn)練成本，參考《模型量化技術(shù)白皮書》2025版2.3節(jié)。

12.在邊緣AI算力分配算法中，以下哪種方法可以提升模型的泛化能力？

A.梯度消失問(wèn)題解決

B.知識(shí)蒸餾

C.云邊端協(xié)同部署

D.神經(jīng)架構(gòu)搜索（NAS）

答案：D

解析：神經(jīng)架構(gòu)搜索（NAS）通過(guò)搜索最優(yōu)的模型結(jié)構(gòu)，可以提升模型的泛化能力，使模型在面對(duì)未見(jiàn)過(guò)的新數(shù)據(jù)時(shí)也能保持較高的準(zhǔn)確率，參考《神經(jīng)架構(gòu)搜索技術(shù)》2025版10.2節(jié)。

13.以下哪種技術(shù)有助于提升邊緣AI模型的實(shí)時(shí)響應(yīng)能力？

A.INT8對(duì)稱量化

B.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

C.模型量化（INT8/FP16）

D.知識(shí)蒸餾

答案：A

解析：INT8對(duì)稱量化通過(guò)將FP32參數(shù)映射到INT8范圍，可以顯著降低計(jì)算量，從而提升邊緣AI模型的實(shí)時(shí)響應(yīng)能力，參考《模型量化技術(shù)白皮書》2025版2.3節(jié)。

14.在邊緣AI算力分配算法中，以下哪種方法可以降低模型對(duì)計(jì)算資源的依賴？

A.云邊端協(xié)同部署

B.模型量化（INT8/FP16）

C.知識(shí)蒸餾

D.模型并行策略

答案：B

解析：模型量化（INT8/FP16）通過(guò)將高精度數(shù)據(jù)類型（如FP32）映射到低精度數(shù)據(jù)類型，可以顯著降低模型的存儲(chǔ)空間和計(jì)算量，從而降低模型對(duì)計(jì)算資源的依賴，參考《模型量化技術(shù)白皮書》2025版2.3節(jié)。

15.以下哪種技術(shù)有助于提升邊緣AI模型的安全性和隱私保護(hù)能力？

A.知識(shí)蒸餾

B.梯度消失問(wèn)題解決

C.云邊端協(xié)同部署

D.聯(lián)邦學(xué)習(xí)隱私保護(hù)

答案：D

解析：聯(lián)邦學(xué)習(xí)隱私保護(hù)技術(shù)通過(guò)在客戶端進(jìn)行本地訓(xùn)練，只在服務(wù)器端進(jìn)行模型聚合，從而保護(hù)用戶數(shù)據(jù)的隱私，提升邊緣AI模型的安全性和隱私保護(hù)能力，參考《聯(lián)邦學(xué)習(xí)隱私保護(hù)技術(shù)》2025版11.3節(jié)。

二、多選題（共10題）

1.在邊緣AI算力分配算法中，以下哪些技術(shù)有助于提升模型在邊緣設(shè)備上的性能？（多選）

A.模型量化（INT8/FP16）

B.知識(shí)蒸餾

C.通道剪枝

D.持續(xù)預(yù)訓(xùn)練策略

E.模型并行策略

答案：ABCE

解析：模型量化（INT8/FP16）和知識(shí)蒸餾可以減少模型大小和計(jì)算量，提升邊緣設(shè)備的性能。持續(xù)預(yù)訓(xùn)練策略和模型并行策略可以增強(qiáng)模型在邊緣設(shè)備上的推理速度和準(zhǔn)確性。

2.以下哪些技術(shù)可以用于對(duì)抗性攻擊的防御？（多選）

A.知識(shí)蒸餾

B.對(duì)抗性訓(xùn)練

C.梯度正則化

D.隱私保護(hù)技術(shù)

E.模型剪枝

答案：ABCE

解析：知識(shí)蒸餾和對(duì)抗性訓(xùn)練可以幫助模型學(xué)習(xí)到對(duì)抗性攻擊的魯棒性。梯度正則化和隱私保護(hù)技術(shù)雖然主要針對(duì)數(shù)據(jù)隱私，但也可以間接提升對(duì)抗性攻擊的防御能力。模型剪枝主要是為了模型壓縮。

3.在云邊端協(xié)同部署中，以下哪些技術(shù)可以實(shí)現(xiàn)資源的合理分配？（多選）

A.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

B.云邊端協(xié)同部署算法

C.分布式存儲(chǔ)系統(tǒng)

D.AI訓(xùn)練任務(wù)調(diào)度

E.低代碼平臺(tái)應(yīng)用

答案：BCD

解析：云邊端協(xié)同部署算法（B）可以直接實(shí)現(xiàn)資源的合理分配。分布式存儲(chǔ)系統(tǒng)（C）和AI訓(xùn)練任務(wù)調(diào)度（D）可以優(yōu)化資源利用。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)（A）和低代碼平臺(tái)應(yīng)用（E）雖然有助于開(kāi)發(fā)，但不直接涉及資源分配。

4.以下哪些技術(shù)可以提高邊緣AI模型的推理速度？（多選）

A.低精度推理

B.知識(shí)蒸餾

C.模型剪枝

D.梯度消失問(wèn)題解決

E.神經(jīng)架構(gòu)搜索（NAS）

答案：ABCE

解析：低精度推理（A）、知識(shí)蒸餾（B）、模型剪枝（C）和神經(jīng)架構(gòu)搜索（E）都可以通過(guò)減少模型復(fù)雜度來(lái)提升推理速度。梯度消失問(wèn)題解決（D）主要針對(duì)模型訓(xùn)練過(guò)程中的問(wèn)題。

5.在邊緣AI算力分配中，以下哪些技術(shù)有助于模型在邊緣設(shè)備上的實(shí)時(shí)性？（多選）

A.動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

B.云邊端協(xié)同部署

C.低精度推理

D.模型量化

E.主動(dòng)學(xué)習(xí)策略

答案：ACDE

解析：低精度推理（A）、模型量化（C）和主動(dòng)學(xué)習(xí)策略（E）都可以減少計(jì)算量，提高模型在邊緣設(shè)備上的實(shí)時(shí)性。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)（D）和云邊端協(xié)同部署（B）有助于優(yōu)化資源分配，提升實(shí)時(shí)性。

6.在模型壓縮技術(shù)中，以下哪些方法可以減少模型的大??？（多選）

A.模型剪枝

B.知識(shí)蒸餾

C.模型量化

D.結(jié)構(gòu)化剪枝

E.神經(jīng)架構(gòu)搜索（NAS）

答案：ABCD

解析：模型剪枝（A）、知識(shí)蒸餾（B）、模型量化（C）和結(jié)構(gòu)化剪枝（D）都可以通過(guò)減少模型中的參數(shù)或連接來(lái)減小模型的大小。神經(jīng)架構(gòu)搜索（E）主要是用于尋找更小的模型結(jié)構(gòu)。

7.在邊緣AI中，以下哪些技術(shù)可以幫助提高模型的魯棒性？（多選）

A.模型剪枝

B.梯度正則化

C.對(duì)抗性訓(xùn)練

D.知識(shí)蒸餾

E.隱私保護(hù)技術(shù)

答案：BCD

解析：梯度正則化（B）、對(duì)抗性訓(xùn)練（C）和知識(shí)蒸餾（D）都可以增強(qiáng)模型對(duì)噪聲和對(duì)抗樣本的魯棒性。模型剪枝（A）和隱私保護(hù)技術(shù)（E）主要針對(duì)模型壓縮和安全性。

8.在邊緣AI算力分配中，以下哪些技術(shù)有助于優(yōu)化算力分配？（多選）

A.模型并行策略

B.云邊端協(xié)同部署

C.分布式存儲(chǔ)系統(tǒng)

D.AI訓(xùn)練任務(wù)調(diào)度

E.模型量化

答案：ABDE

解析：模型并行策略（A）、云邊端協(xié)同部署（B）和模型量化（E）可以直接優(yōu)化算力分配。分布式存儲(chǔ)系統(tǒng)（C）和AI訓(xùn)練任務(wù)調(diào)度（D）可以輔助資源管理。

9.在邊緣AI中，以下哪些技術(shù)可以用于內(nèi)容安全過(guò)濾？（多選）

A.圖文檢索

B.多模態(tài)醫(yī)學(xué)影像分析

C.特征工程自動(dòng)化

D.異常檢測(cè)

E.聯(lián)邦學(xué)習(xí)隱私保護(hù)

答案：ACD

解析：圖文檢索（A）、特征工程自動(dòng)化（C）和異常檢測(cè)（D）可以用于分析內(nèi)容并識(shí)別潛在的不安全內(nèi)容。多模態(tài)醫(yī)學(xué)影像分析（B）和聯(lián)邦學(xué)習(xí)隱私保護(hù)（E）主要用于醫(yī)療和隱私保護(hù)領(lǐng)域。

10.在邊緣AI算力分配算法中，以下哪些技術(shù)有助于提升模型的服務(wù)質(zhì)量？（多選）

A.模型并行策略

B.云邊端協(xié)同部署

C.模型量化

D.低代碼平臺(tái)應(yīng)用

E.模型服務(wù)高并發(fā)優(yōu)化

答案：ABCE

解析：模型并行策略（A）、云邊端協(xié)同部署（B）和模型量化（C）可以直接提升模型的服務(wù)質(zhì)量。低代碼平臺(tái)應(yīng)用（E）可以加快開(kāi)發(fā)過(guò)程，間接提升服務(wù)質(zhì)量。

三、填空題（共15題）

1.分布式訓(xùn)練中，數(shù)據(jù)并行策略通過(guò)___________將數(shù)據(jù)集拆分到不同設(shè)備。

答案：水平劃分

2.在邊緣AI中，為了提高模型推理速度，通常會(huì)采用___________技術(shù)來(lái)降低模型計(jì)算復(fù)雜度。

答案：模型量化

3.為了減少模型參數(shù)數(shù)量，常用的方法包括___________和___________。

答案：結(jié)構(gòu)剪枝、權(quán)重剪枝

4.在持續(xù)預(yù)訓(xùn)練策略中，通過(guò)___________來(lái)持續(xù)學(xué)習(xí)并更新模型。

答案：增量學(xué)習(xí)

5.對(duì)抗性攻擊防御的一種常用方法是___________，通過(guò)訓(xùn)練模型來(lái)識(shí)別和抵御對(duì)抗樣本。

答案：對(duì)抗性訓(xùn)練

6.在模型并行策略中，將模型的不同部分分配到不同設(shè)備上，稱為_(kāi)__________。

答案：模型分割

7.為了提高邊緣AI模型的實(shí)時(shí)性，可以采用___________技術(shù)來(lái)降低模型計(jì)算量。

答案：低精度推理

8.云邊端協(xié)同部署中，通過(guò)___________來(lái)實(shí)現(xiàn)邊緣和云端資源的動(dòng)態(tài)分配。

答案：資源調(diào)度

9.知識(shí)蒸餾過(guò)程中，小模型被稱為_(kāi)__________，大模型被稱為_(kāi)__________。

答案：學(xué)生模型、教師模型

10.在模型量化中，INT8和FP16分別對(duì)應(yīng)于___________和___________精度。

答案：8位整數(shù)、16位浮點(diǎn)數(shù)

11.為了解決梯度消失問(wèn)題，可以采用___________技術(shù)來(lái)限制梯度值。

答案：梯度正則化

12.在神經(jīng)架構(gòu)搜索（NAS）中，通過(guò)___________來(lái)自動(dòng)搜索最優(yōu)的模型結(jié)構(gòu)。

答案：搜索算法

13.為了保護(hù)用戶隱私，聯(lián)邦學(xué)習(xí)采用了___________技術(shù)來(lái)本地訓(xùn)練模型。

答案：差分隱私

14.在AIGC內(nèi)容生成中，通過(guò)___________來(lái)生成高質(zhì)量的內(nèi)容。

答案：生成對(duì)抗網(wǎng)絡(luò)（GAN）

15.在AI倫理準(zhǔn)則中，___________是確保AI系統(tǒng)公平、無(wú)偏見(jiàn)的關(guān)鍵。

答案：偏見(jiàn)檢測(cè)

四、判斷題（共10題）

1.分布式訓(xùn)練中，數(shù)據(jù)并行的通信開(kāi)銷與設(shè)備數(shù)量呈線性增長(zhǎng)。

正確（）不正確（）

答案：不正確

解析：分布式訓(xùn)練中，數(shù)據(jù)并行的通信開(kāi)銷通常與設(shè)備數(shù)量平方成正比，因?yàn)槊總€(gè)設(shè)備都需要與所有其他設(shè)備通信，以同步模型參數(shù)。參考《分布式訓(xùn)練技術(shù)白皮書》2025版4.3節(jié)。

2.參數(shù)高效微調(diào)（LoRA/QLoRA）可以顯著減少模型參數(shù)數(shù)量，從而降低訓(xùn)練成本。

正確（）不正確（）

答案：正確

解析：LoRA（Low-RankAdaptation）和QLoRA（QuantizedLow-RankAdaptation）通過(guò)引入低秩矩陣來(lái)調(diào)整模型參數(shù)，可以顯著減少模型參數(shù)數(shù)量，從而降低訓(xùn)練成本。參考《參數(shù)高效微調(diào)技術(shù)》2025版5.2節(jié)。

3.持續(xù)預(yù)訓(xùn)練策略可以增強(qiáng)模型在邊緣設(shè)備上的實(shí)時(shí)性。

正確（）不正確（）

答案：不正確

解析：持續(xù)預(yù)訓(xùn)練策略主要用于在大量未標(biāo)記數(shù)據(jù)上預(yù)訓(xùn)練模型，以增強(qiáng)模型的泛化能力，并不直接增強(qiáng)模型的實(shí)時(shí)性。實(shí)時(shí)性通常通過(guò)模型壓縮和量化技術(shù)來(lái)提升。參考《持續(xù)預(yù)訓(xùn)練策略》2025版6.1節(jié)。

4.對(duì)抗性攻擊防御可以通過(guò)增加模型復(fù)雜度來(lái)提高防御能力。

正確（）不正確（）

答案：不正確

解析：增加模型復(fù)雜度并不一定能提高對(duì)抗性攻擊防御能力。通常需要專門的設(shè)計(jì)和訓(xùn)練策略來(lái)增強(qiáng)模型的魯棒性。參考《對(duì)抗性攻擊防御技術(shù)》2025版7.1節(jié)。

5.低精度推理可以顯著提升邊緣AI模型的性能，但不會(huì)影響模型的準(zhǔn)確性。

正確（）不正確（）

答案：不正確

解析：低精度推理（如INT8量化）可以提升邊緣AI模型的性能，但可能會(huì)引入量化誤差，影響模型的準(zhǔn)確性。參考《低精度推理技術(shù)》2025版8.1節(jié)。

6.云邊端協(xié)同部署可以減少邊緣設(shè)備的計(jì)算負(fù)擔(dān)。

正確（）不正確（）

答案：正確

解析：云邊端協(xié)同部署通過(guò)將計(jì)算任務(wù)分配到云端、邊緣和端設(shè)備，可以減少邊緣設(shè)備的計(jì)算負(fù)擔(dān)，提高資源利用效率。參考《云邊端協(xié)同部署實(shí)踐指南》2025版9.1節(jié)。

7.知識(shí)蒸餾可以顯著提高小模型的推理速度，但會(huì)降低其準(zhǔn)確性。

正確（）不正確（）

答案：不正確

解析：知識(shí)蒸餾可以在不顯著降低準(zhǔn)確性的情況下，顯著提高小模型的推理速度，因?yàn)樗试S小模型學(xué)習(xí)到教師模型的知識(shí)。參考《知識(shí)蒸餾技術(shù)》2025版10.1節(jié)。

8.模型量化（INT8/FP16）可以提高模型的推理速度，但會(huì)降低模型的精度。

正確（）不正確（）

答案：不正確

解析：模型量化可以通過(guò)使用更少的位來(lái)表示模型參數(shù)，從而提高推理速度，但適當(dāng)?shù)牧炕夹g(shù)（如INT8對(duì)稱量化）可以最小化精度損失。參考《模型量化技術(shù)白皮書》2025版11.1節(jié)。

9.結(jié)構(gòu)剪枝可以減少模型參數(shù)數(shù)量，但不會(huì)影響模型的性能。

正確（）不正確（）

答案：不正確

解析：結(jié)構(gòu)剪枝雖然可以減少模型參數(shù)數(shù)量，但可能會(huì)影響模型的性能，因?yàn)樗赡軙?huì)移除對(duì)模型性能至關(guān)重要的連接或神經(jīng)元。參考《結(jié)構(gòu)剪枝技術(shù)》2025版12.1節(jié)。

10.神經(jīng)架構(gòu)搜索（NAS）可以自動(dòng)搜索出最優(yōu)的模型結(jié)構(gòu)，無(wú)需人工干預(yù)。

正確（）不正確（）

答案：不正確

解析：雖然NAS可以自動(dòng)搜索模型結(jié)構(gòu)，但通常需要人工干預(yù)來(lái)調(diào)整搜索策略和評(píng)估標(biāo)準(zhǔn)，以確保搜索過(guò)程的有效性。參考《神經(jīng)架構(gòu)搜索技術(shù)》2025版13.1節(jié)。

五、案例分析題（共2題）

案例1.某智能城市交通監(jiān)控中心計(jì)劃部署一套邊緣AI系統(tǒng)，用于實(shí)時(shí)識(shí)別和預(yù)警交通違規(guī)行為。該系統(tǒng)需要在邊緣設(shè)備（CPU4核，內(nèi)存16GB）上運(yùn)行，要求推理延遲不超過(guò)200ms，模型大小不超過(guò)10MB，同時(shí)保證識(shí)別準(zhǔn)確率在95%以上。

問(wèn)題：針對(duì)上述需求，設(shè)計(jì)一套邊緣AI系統(tǒng)方案，并說(shuō)明所選技術(shù)的理由和實(shí)施步驟。

問(wèn)題定位：

1.邊緣設(shè)備算力有限，需要選擇輕量級(jí)模型。

2.推理延遲要求高，需要優(yōu)化模型推理速度。

3.模型大小限制，需要模型壓縮技術(shù)。

方案設(shè)計(jì)：

1.選擇輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，如MobileNetV2。

理由：MobileNetV2在保持較高準(zhǔn)確率的同時(shí)，模型參數(shù)和計(jì)算量