针对单智能体终端计算资源不足、情境动态变化问题，基于图的深度模型自适应手术刀算法（GADS）探索由多个共存智能体组成动态协作群组中模型分割点的快速自适应搜索问题。GADS算法利用串行协同计算技术，根据动态情境（带宽、设备电量等）实现智能体终端自组织、自适应、可伸缩的高效感知计算。
如算法概述表所示，GADS算法基于Python3.6+环境下的numpy、pytorch及tensorflow等依赖库开发。算法输入为由深度模型及部署情境，构建的分割状态图G，输出为算法根据动态运行情境快速自适应调优后的模型最优分割点。该算法支持在CiFar-10、CiFar-100、ImageNet、BDD100K等数据集上的深度卷积网络最优分割点的调优。在代码的实现过程中，GADS算法参考了Neurosurgeon、DADS等第三方资源实现。
算法名称
| 基于图的深度模型自适应手术刀算法
（Graph-based
Adaptive DNN Surgery, GADS）
|
算法接口
| python gads.py --config_file config.yaml
|
输入
| 由深度模型及部署情境，构建的分割状态图G
|
输出
| 根据动态运行情境快速自适应调优的模型分割点
|
gitlab链接：GADS · GitLab (crowdhmt.com)
