卷积神经网络的优化方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及卷积神经网络的优化方法、装置、电子设备及存储介质，该优化方法包括：获取训练集和验证集，建立初始卷积神经网络N<subgt;0</subgt;，确定其网络结构，选择各个超参数范围，并赋初值；根据所述训练集、各个超参数值范围和救援队算法，对初始卷积神经网络N<subgt;0</subgt;进行训练，得到图像训练结果，利用救援队算法自动寻找更优的超参数组合；根据验证集对初始卷积神经网络N<subgt;0</subgt;进行验证，得到图像验证结果，根据所述图像训练结果和图像验证结果计算得到适应度值；迭代计算，得到最优的超参数组合，进而得到优化后的卷积神经网络。采用本发明专利技术的方法，可以更好地优化卷积神经网络的超参数，获得一个准确率更高、泛化能力更好的卷积神经网络。

【技术实现步骤摘要】

本专利技术属于图像识别领域，具体涉及卷积神经网络的优化方法、装置、电子设备及存储介质。

技术介绍

1、传统的图像处理方法在处理复杂的图像数据时存在一些限制，不能有效地提取高级的抽象特征。随着图像和视频数据的大量增加，需要更强大的模型能够自动学习和理解图像中的信息。卷积神经网络(cnn)是深度学习领域中最重要的网络模型之一，在图像检测、视频解析、语音识别和自然语言处理等领域有着广泛应用。卷积神经网络受到生物学上感受野机制的启发，该机制模拟了神经系统中一些神经元只对其支配刺激区域的信号敏感的特性。这在卷积神经网络中的卷积层得到了体现，与全连接层相比，卷积层更擅长学习局部模式，使其在图像处理中表现出色。然而，卷积神经网络的优化不仅需要大量训练参数，还需要手动设置网络架构、各层节点数、卷积核大小和步幅、dropout和批处理大小等超参数。这些超参数的合理选择直接影响模型的性能。

2、传统的优化方法包括网格搜索和随机搜索，但它们在处理大量超参数组合时效率较低。相比之下，群智能优化算法在卷积神经网络的优化中表现更出色。这些算法具有较强的解释性和灵活性，无需本文档来自技高网...

【技术保护点】

1.卷积神经网络的优化方法，其特征在于，包括：

2.根据权利要求1所述的卷积神经网络的优化方法，其特征在于，在所述步骤S1中，对所述训练集进行数据增强，其过程具体包括：通过随机旋转、水平方向平移、垂直方向移动、随机切错变换、放大比例、填充的方式对所述训练集中的图像进行数据处理，得到增强后的数据。

3.根据权利要求1所述的卷积神经网络的优化方法，其特征在于，在所述步骤S2中，初始卷积神经网络N0的网络结构采用LeNet-5网络结构。

4.根据权利要求1所述的卷积神经网络的优化方法，其特征在于，在所述步骤S2中，所述各个超参数值范围具体为；

5...

【技术特征摘要】

1.卷积神经网络的优化方法，其特征在于，包括：

2.根据权利要求1所述的卷积神经网络的优化方法，其特征在于，在所述步骤s1中，对所述训练集进行数据增强，其过程具体包括：通过随机旋转、水平方向平移、垂直方向移动、随机切错变换、放大比例、填充的方式对所述训练集中的图像进行数据处理，得到增强后的数据。

3.根据权利要求1所述的卷积神经网络的优化方法，其特征在于，在所述步骤s2中，初始卷积神经网络n0的网络结构采用lenet-5网络结构。

4.根据权利要求1所述的卷积神经网络的...

【专利技术属性】
技术研发人员：鲜思东，汤灵，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：