摘要:
近年来,为了在图像分类中获得更好的分类精度,卷积神经网络已经变得更加深入。然而,由于人工微调超参数的困难以及分类精度和计算成本之间的权衡,很难将最先进的DNNs用于工业用途。本文提出了一种新的多目标优化方法,用于在现实应用中进化最先进的深度神经网络,该方法在帕累托前沿自动进化非支配解。主要贡献有三点:第一,设计了一种新的编码策略来编码最先进的中枢神经系统之一;以分类精度和浮点运算次数为目标,提出了一种多目标粒子群优化算法来进化非支配解;最后但同样重要的是,设计了一个新的基础设施,通过在多台机器上的多个GPU上同时运行实验来促进实验,并开发和发布了一个Python库来管理基础设施。实验结果表明,该方法发现的非支配解形成了清晰的帕累托前沿,并且该基础设施能够几乎线性地减少运行时间。
CCS概念
Computing methodologies → Search methodologies; Computer vision; Machine learning; 计算方法→搜索方法;计算机视觉;机器学习;
关键词:
多目标优化,粒子群优化,卷积神经网络
1.简介
由于图像在数量和分辨率上的指数增长,以及从图像中提取的有意义的信息,图像分类已经引起了学术界和工业界研究者越来越多的兴趣。卷积神经网络被用来解决