[發明專利]一種圖像神經架構的確定方法、裝置、設備及存儲介質

有效

• 申請號: 202110106031.5
• 申請日: 2021-01-26
• 公開（公告）號: CN112836794B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 駱劍平;蔡榕鴻
• 申請（專利權）人: 深圳大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/048;G06N3/086;G06N3/084
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 潘登

1.一種圖像神經架構的確定方法，其特征在于，包括：

根據預設的遺傳算子，對圖像神經架構的當前種群中的父代個體進行變異操作，生成所述父代個體的當前子代集合；其中，所述當前子代集合的子代個體中包括圖像神經架構的結構信息和網絡規模；

將所述當前子代集合輸入至預設的多任務學習代理模型中，生成更新后的目標子代集合；其中，所述目標子代集合的子代個體中包括圖像神經架構的結構信息、網絡性能預測結果和網絡規模；

采用預設的多目標優化算法對所述目標子代集合中的子代個體進行適應度排序，基于當前種群和預設的適應度要求，生成目標種群；

判斷當前迭代次數是否滿足預設的迭代結束條件，若是，則根據預設的多目標優化算法，從所述目標種群中確定圖像神經架構的帕累托最優集合，供用戶從帕累托最優集合中確定目標神經架構；

采用預設的多目標優化算法對所述目標子代集合中的子代個體進行適應度排序，基于當前種群和預設的適應度要求，生成目標種群，包括：

采用預設的多目標優化算法對所述目標子代集合中的子代個體進行適應度排序，確定滿足預設適應度要求的目標子代個體；

根據目標子代個體的圖像神經架構結構信息和預設的圖像分類任務數據集，確定目標子代個體的網絡性能；

將所述目標子代個體添加至所述當前種群中，生成所述目標種群；其中，所述目標種群的圖像神經架構個體中包括圖像神經架構的結構信息、網絡性能和網絡規模；

所述多任務學習代理模型中包括交互層和至少兩個徑向基神經網絡，所述徑向基神經網絡中包括輸入層、隱藏層和輸出層；

相應的，在將所述當前子代集合輸入至預設的多任務學習代理模型中，生成更新后的目標子代集合之前，還包括：

根據當前種群中圖像神經架構個體的結構信息、網絡規模和網絡性能，基于預設的數據格式，生成當前種群中圖像神經架構個體的訓練數據；其中，所述訓練數據中包括網絡結構數據和訓練標簽，所述網絡結構數據中包括結構信息和網絡規模，所述訓練標簽中包括網絡性能；

將所述訓練數據輸入至待訓練的多任務學習代理模型中，根據徑向基神經網絡輸出層的輸出值，確定所述輸出值與所述訓練標簽的輸出層誤差；

判斷所述輸出層誤差是否滿足預設的誤差閾值要求；

若是，則確定多任務學習代理模型訓練完成，將所述當前子代集合輸入至預設的多任務學習代理模型中。

2.根據權利要求1所述的方法，其特征在于，在根據預設的遺傳算子，對圖像神經架構的當前種群中的父代個體進行變異操作，生成所述父代個體的當前子代集合之前，還包括：

采用預設的多目標優化算法對當前種群中的圖像神經架構個體進行適應度排序，得到適應度排序結果；

根據所述適應度排序結果和預設的選擇操作，得到至少一個父代個體；其中，所述當前種群的圖像神經架構個體中包括圖像神經架構的結構信息、網絡性能和網絡規模。

3.根據權利要求2所述的方法，其特征在于，所述當前種群為第一次迭代的初始種群；

相應的，在采用預設的多目標優化算法對當前種群中的圖像神經架構個體進行適應度排序，得到適應度排序結果之前，還包括：

根據預設的圖像分類任務數據集，對所述初始種群中的圖像神經架構個體進行訓練，得到所述圖像神經架構個體的網絡性能；

根據所述初始種群中圖像神經架構個體的結構信息，確定所述圖像神經架構個體的網絡規模。

4.根據權利要求1所述的方法，其特征在于，根據預設的遺傳算子，對圖像神經架構的當前種群中的父代個體進行變異操作，生成所述父代個體的當前子代集合，包括：

根據預設的遺傳算子，對圖像神經架構的當前種群中的父代個體進行增加基因、減少基因和/或替換基因的變異操作，生成所述父代個體的當前子代集合。

5.根據權利要求1所述的方法，其特征在于，將所述當前子代集合輸入至預設的多任務學習代理模型中，生成更新后的目標子代集合，包括：

將所述當前子代集合輸入至預設的多任務學習代理模型中，輸出當前子代集合中子代個體的圖像神經架構網絡性能預測結果；

根據當前子代集合中子代個體的結構信息、網絡規模以及網絡性能預測結果，得到更新后的目標子代集合。