深度学习渔场预报系统已成熟应用，但因依赖大型服务器导致数据传输与训练耗时，远洋渔船无法远端实时预报，为此采用边缘计算方案解决该问题。
边缘计算： 数据处理—远程移至附近 有效应对数据量增多和网络容量受限的挑战
边缘端设备:华为昇腾Atlas200IDKA2开发者套.稳定提供的峰值算力FP16为4TFLOPs、INT8为8TOPs，算力优秀；净重仅330g，便于携带。
降低硬件依赖风险：保障芯片供应稳定性与连续性，避免因国际局势波动引发的供应中断。 保障技术自主可控：强化数据隐私保护，尤其在关键基础设施和敏感数据领域，防止数据泄露。 支持特定场景应用：优化国内计算资源配置，提升特定场景下的计算效率
模型迁移：从一个环境迁移到另一个环境，重点是适配。 模型部署：将迁移后的模型集成到目标硬件或系统中，重点是实际运行和性能优化。
AI芯片部署流程关键步骤：
通过在AI芯片的CPU与NPU上开展应用开发与推理测试，对芯片性能进行系统性评估。
根据网络架构特性动态选择合适的迁移方式，以实现模型在迁移过程中的精度与效率的平衡优化。
选用迁移后F1分数（F1 score）、站点覆盖率（Site Coverage Rate）CPUE覆盖率（CPUE Coverage Rate）和模型执行时间（execution time）作为评判标准
由于柔鱼生命周期较短，易受海洋环境因子波动影响，如海表面温度、叶绿素a浓度、海表面盐度和海表面高度等都对柔鱼的渔场分布有重要影响
神经网络架构搜索（NAS）：通过特定的算法在预设的架构空间中探索，寻找在特定任务如图像识别等上性能最优的神经网络结构，以替代传统依赖人工经验设计网络的方式。
主要构建了二分类模型、二分类 + 残差模型、回归模型共 3 种模型，并设计了梯度搜索与全局搜索两种方案，以对比基于遗传算法的神经架构搜索（NAS）策略能否降低陷入局部最优的概率。
关键机制
搜索空间：卷积核数量、尺寸，dropout率，学习率，编码器解码器深度
模型基本架构：包括二分类，二分类+残差，回归等3种模型
搜索方案：梯度搜索与全局搜索