PlatformX:一个面向能效神经网络架构搜索的端到端可迁移平台
机器学习
2025-10-13 v1 人工智能
摘要
硬件感知神经网络架构搜索(HW-NAS)已成为针对边缘设备设计高效深度神经网络(DNN)的强大工具。然而,现有方法由于高时间成本、繁重的人工剖析以及在具有复杂设备特定能耗行为的多样化硬件平台上可扩展性差,仍难以实际部署。本文提出 PlatformX,一个全自动且可迁移的 HW-NAS 框架,旨在克服这些局限。PlatformX 集成了四个关键组件:(i) 能耗驱动的搜索空间,通过纳入能耗关键配置扩展传统 NAS 设计,实现高效率架构的探索;(ii) 跨设备可迁移的内核级能耗预测器,可通过极少的设备端样本进行增量精化;(iii) 基于 Pareto 的多目标搜索算法,在能耗与精度之间取得平衡以识别最优权衡;(iv) 高分辨率运行时能耗剖析系统,使用外部监测器自动完成设备端功耗测量,无需人工干预。我们在多种移动平台上评估 PlatformX,结果表明它在保持精度与能耗保真度的同时显著降低了搜索开销。它所识别的模型精度最高可达 0.94,或单次推理能耗低至 0.16 mJ,在精度和效率上均优于 MobileNet-V2。代码与教程见 github.com/amai-gsu/PlatformX。
引用
@article{arxiv.2510.08993,
title = {PlatformX: An End-to-End Transferable Platform for Energy-Efficient Neural Architecture Search},
author = {Xiaolong Tu and Dawei Chen and Kyungtae Han and Onur Altintas and Haoxin Wang},
journal= {arXiv preprint arXiv:2510.08993},
year = {2025}
}