1.目的
对于在CNN方面没有扩展专业知识的用户来说,很难为他们自己感兴趣的图像分类问题设计最佳的CNN架构。本文提出了一种利用遗传算法自动设计CNN架构的方法,以有效解决图像分类任务。该算法的最大优点在于其“自动”特性,即用户在使用该算法时不需要神经网络的领域知识。遗传算法GA相关知识请自己查阅相关知识,此文章不会过多介绍(因为太基础了)
2.创新点
2.1 GAs通常采用固定长度编码策略,因为交叉算子最初是为具有相同长度的个体设计的。在这种情况下,必须事先指定编码的长度。理想情况下,长度应该是事先大多未知的最佳CNN深度。因此,可能会错误地估计指定的数量,从而导致无效的体系结构设计。虽然许多研究人员已经独立开发了可变长度编码策略,但最终的CNN架构并不是最佳的,因为交叉算子没有相应地重新设计。在本文中,我们提出了一种可变长度编码策略和相应的交叉算子来有效地解决上述两个问题。
注:卷积层的参数是feature map的数量、filter的大小、stride的大小和convolutional operation类型。池化层的参数是内核大小、跨步大小和所使用的池化类型。
2.2 现有的CNN架构算法大