张祥雨是人工智能计算机视觉（CV）领域的杰出人才，现任旷视研究院base model组负责人、旷视首席科学家，也是西安交通大学人工智能学院兼职教授。张祥雨2012年毕业于西安交通大学软件学院软件工程专业，获学士学位，之后在西安交通大学与微软亚洲研究院控制科学与工程专业学习，于2017年获得博士学位。在学期间，他曾拿下美国大学生数学建模竞赛（MCM）特等奖提名奖，凭借此获奖经历获得 - 教程

张祥雨介绍

西安交通大学人工智能学院兼职教授。就是张祥雨是人工智能计算机视觉（CV）领域的杰出人才，现任旷视研究院base model组负责人、旷视首席科学家，也

张祥雨2012年毕业于西安交通大学软件学院软件工程专业，获学士学位，之后在西安交通大学与微软亚洲研究院控制科学与工程专业学习，于2017年获得博士学位。在学期间，他曾拿下美国大学生数学建模竞赛（MCM）特等奖提名奖，凭借此获奖经历获得微软亚洲研究院实习资格，并最终成功留下。

他的关键研究方向包括深度卷积网络设计、深度模型的裁剪与加速、AutoML与自动化神经网络架构搜索等。张祥雨在CVPR、ICCV、ECCV、NeurIPS、TPAMI等顶级会议和期刊上发表论文60余篇，Google Scholar总计引用数超过20万次，单篇引用超过2万次，并获CVPR 2016最佳论文奖。

其代表作包括世界上第一个上百层的深度神经网络深度残差网络ResNet、移动端高效卷积神经网络ShuffleNet v1/v2、服务器端高效神经网络RepVGG、神经网络架构搜索算法SPOS等，这些成果在业界得到广泛应用。2019年，张祥雨入选福布斯中国30岁以下精英榜，同年入选智源青年科学家，2020年3月入选“AI 2000计算机视觉全球最具影响力学者”榜单第4位，2023年获得未来科学大奖“数学与计算机科学奖”。

自动化神经网络架构搜索

自动化神经网络架构搜索（Automated Neural Architecture Search，简称NAS替代传统依赖人工经验试错的网络设计方式，以高效找到性能更优、适配特定任务（如图像分类、目标检测）或硬件（如手机、嵌入式设备）的网络架构。就是），是一种通过算法自动设计神经网络结构的技术，核心

其核心逻辑可拆解为3个关键模块，通过“循环迭代”实现架构优化：

1. 搜索空间（Search Space）：定义可选择的网络“积木”范围，比如卷积层类型（普通卷积/深度可分离卷积）、卷积核大小（3×3/5×5）、网络层数、激活函数种类等，是NAS的“设计素材库”。
2. 搜索策略（Search Strategy）：决定如何从“素材库”中筛选组合架构，常见策略包括：
   • 强化学习：用强化学习智能体（Agent）生成架构，以模型在任务上的精度为“奖励”，逐步优化生成策略；
   • 进化算法：模拟生物进化，通过“初始化架构种群→评估性能→选择优秀个体→交叉/变异产生新种群”的循环迭代，筛选最优架构；
   • 梯度下降：将架构参数（如各层的通道数、卷积类型）转化为可微分变量，用梯度下降直接优化，效率更高（如Google的NASNet、旷视的SPOS）。
3. 评估策略（Evaluation Strategy）：快速判断生成的架构是否“有潜力”，避免对所有候选架构都进行完整训练（耗时耗资源）。常见方式包括“权重共享”（让多个候选架构共享部分网络权重，减少重复训练）、“小资料集预训练+性能预估”等。

简单来说，NAS相当于给神经网络配备了“自动设计师”：无需人工手动调整卷积层、层数等细节，算法会自主尝试不同组合，并根据任务目标（如更高精度、更快速度）筛选出最优方案，大幅降低了神经网络设计的门槛，同时能发现人工难以想到的高效架构（例如张祥雨团队提出的SPOS算法，就是通过NAS思路优化了网络架构搜索效率）。