摘要：在当前卷积神经网络模型的训练和分发过程中，云具有足够的计算资源和数据集，但难以满足边缘场景中的碎片化需求。边缘侧可以直接训练和推断模型，但很难直接使用根据统一规则在云中训练的卷积神经网络模型。针对边缘端资源有限的情况下，用于模型压缩的卷积神经网络算法训练和推理效率低的问题，首先提出了一种基于云边缘协作的模型分发和训练框架。该框架可以结合云和边缘的优势进行模型再训练，满足边缘对指定识别目标、指定硬件资源和指定精度的要求。其次，基于云边缘协同框架的训练方法，提出了基于logits和channel的新的子类知识提取方法（SLKD和SCKD），以改进知识提取技术。云服务器首先提供一个具有多目标识别的模型，然后通过子类知识提取方法，将该模型从边缘重新定义为一个轻量级模型，该模型可以部署在资源有限的场景中。最后，在CIFAR-10数据集上验证了联合训练框架和两个子类蒸馏算法的有效性。实验结果表明，在压缩比为50%时，与全分类模型相比，推理精度提高了10%-11%。与模型的再训练相比，通过知识蒸馏方法训练的模型的精度也得到了很大的提高，并且压缩比越高，模型精度的提高越显著。

关键词： 云边缘协作， 深度学习， 知识提炼， 模型压缩， 特征提取