一种图像神经架构的确定方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种图像神经架构的确定方法、装置、设备及存储介质。其中，该方法包括：根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成父代个体的当前子代集合；将当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合；采用预设的多目标优化算法对目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群；判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法，从目标种群中确定图像神经架构的帕累托最优集合，供用户从帕累托最优集合中确定目标神经架构。实现对图像神经架构的高效确定，有效节约确定时间。

【技术实现步骤摘要】
一种图像神经架构的确定方法、装置、设备及存储介质
本专利技术实施例涉及计算机技术，尤其涉及一种图像神经架构的确定方法、装置、设备及存储介质。
技术介绍
深度学习中的深度卷积神经网络在解决各种现实问题时拥有广阔前景，但只有在深度卷积神经网络的架构是最佳构建时，该网络才能达到最好的性能。如果待处理的数据发生变化，就必须重新设计新的神经网络架构。深度卷积神经网络通常是手工设计的，要求设计者在神经网络和数据研究两个方面拥有丰富的专业知识。但依靠手工设计的过程是一个不断试错并且十分耗时的过程，大多数经验不足的普通用户难以在实际应用中个性化地构建自己所需的神经网络，图像神经架构的确定效率较低。
技术实现思路
本专利技术实施例提供一种图像神经架构的确定方法、装置、设备及存储介质，以提高图像神经架构的确定效率。第一方面，本专利技术实施例提供了一种图像神经架构的确定方法，该方法包括：根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合；其中，所述当前子代集合的子代个体中包本文档来自技高网...

【技术保护点】
1.一种图像神经架构的确定方法，其特征在于，包括：/n根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合；其中，所述当前子代集合的子代个体中包括图像神经架构的结构信息和网络规模；/n将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合；其中，所述目标子代集合的子代个体中包括图像神经架构的结构信息、网络性能预测结果和网络规模；/n采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群；/n判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法...

【技术特征摘要】
1.一种图像神经架构的确定方法，其特征在于，包括：
根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合；其中，所述当前子代集合的子代个体中包括图像神经架构的结构信息和网络规模；
将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合；其中，所述目标子代集合的子代个体中包括图像神经架构的结构信息、网络性能预测结果和网络规模；
采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群；
判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法，从所述目标种群中确定图像神经架构的帕累托最优集合，供用户从帕累托最优集合中确定目标神经架构。


2.根据权利要求1所述的方法，其特征在于，在根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合之前，还包括：
采用预设的多目标优化算法对当前种群中的图像神经架构个体进行适应度排序，得到适应度排序结果；
根据所述适应度排序结果和预设的选择操作，得到至少一个父代个体；其中，所述当前种群的图像神经架构个体中包括图像神经架构的结构信息、网络性能和网络规模。


3.根据权利要求2所述的方法，其特征在于，所述当前种群为第一次迭代的初始种群；
相应的，在采用预设的多目标优化算法对当前种群中的图像神经架构个体进行适应度排序，得到适应度排序结果之前，还包括：
根据预设的图像分类任务数据集，对所述初始种群中的图像神经架构个体进行训练，得到所述图像神经架构个体的网络性能；
根据所述初始种群中图像神经架构个体的结构信息，确定所述图像神经架构个体的网络规模。


4.根据权利要求1所述的方法，其特征在于，根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合，包括：
根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行增加基因、减少基因和/或替换基因的变异操作，生成所述父代个体的当前子代集合。


5.根据权利要求1所述的方法，其特征在于，将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合，包括：
将所述当前子代集合输入至预设的多任务学习代理模型中，输出当前子代集合中子代个体的图像神经架构网络性能预测结果；
根据当前子代集合中子代个体的结构信息、网络规模以及网络性能预测结果，得到更新后的目标子代集合。


6.根据权利要求1所述的方法，其特征在于，采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群，包括：
采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，确定满足预设适应度要求的目标子代个体；
根据目标子代个体的图像神经架构结构信息和预设的图像分类任务数据集，确定目标子代个体的网络性能；
将所述目标子代个体添加至所述当前种群中，生成所述目标种群；其中，所述目标种群的图像神经架构个体中包括图像神经架构的结构信息、网络性能和网络规模。


7.根据权利要求1所述的方法，其特征在于，判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法，从...

【专利技术属性】
技术研发人员：骆剑平，蔡榕鸿，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44