MicroNAS：面向MCU的零样本神经架构搜索——论文阅读
MicroNAS是一种专为微控制器单元（MCU）设计的零样本神经架构搜索（NAS）框架，无需训练即可通过理论驱动的性能指标评估网络架构。相比传统NAS方法，其搜索效率提升高达1104倍，同时兼顾精度与硬件效率，适用于边缘计算场景。该框架结合神经切线核（NTK）条件数、线性区域计数及硬件感知延迟模型，实现快速、高效的架构搜索，为资源受限设备上的AI部署提供了新思路。
ProxylessNAS：直接在目标任务和硬件上进行神经架构搜索——论文解读
ProxylessNAS是一种直接在目标任务和硬件上进行神经架构搜索的方法，有效降低了传统NAS的计算成本。通过路径二值化和两路径采样策略，减少内存占用并提升搜索效率。相比代理任务方法，ProxylessNAS在ImageNet等大规模任务中展现出更优性能，兼顾准确率与延迟，支持针对不同硬件（如GPU、CPU、移动端）定制高效网络架构。
μNAS：面向微控制器的约束神经架构搜索——论文解读
μNAS是一种专为微控制器设计的神经架构搜索方法，旨在解决物联网设备中资源受限的挑战。通过多目标优化框架，μNAS能够在有限的内存和计算能力下，自动搜索出高效的神经网络结构。该方法结合了老化进化算法与贝叶斯优化，并引入结构化剪枝技术，实现模型压缩。实验表明，μNAS在多个数据集上均取得了优异的精度与资源使用平衡，显著优于现有方法，为边缘计算设备的智能化提供了可行路径。
第一篇 - 常规过滤及分组汇总：SPL轻量级文件存储提速查询实践
本文以订单表为例，介绍如何使用 esProc SPL 实现数据外置，提升过滤与分组汇总计算效率。通过 SPL 的 ETL 工具导出数据为 BTX 与 CTX 格式，并利用游标、列存、并行计算等技术逐步优化性能，最终执行时间从 MySQL 的 11 秒降至 0.5 秒。适用于处理大数据量、历史数据的高性能分析场景。
神经架构搜索NAS详解：三种核心算法原理与Python实战代码
神经架构搜索（NAS）正被广泛应用于大模型及语言/视觉模型设计，如LangVision-LoRA-NAS、Jet-Nemotron等。本文回顾NAS核心技术，解析其自动化设计原理，探讨强化学习、进化算法与梯度方法的应用与差异，揭示NAS在大模型时代的潜力与挑战。