python_little_Boy
这里是一个Python的小天地。博主也是学习定时会写一些有关的博客!欢迎大家借鉴学习,交流沟通!!!
展开
-
Evolving Deep Neural Networks by Multi-objective Particle Swarm Optimization for Image Classificatio
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原创 2021-03-16 11:32:11 · 417 阅读 · 0 评论 -
Automatic Searching and Pruning of Deep Neural Networks for Medical Imaging Diagnostic
1.简介深度神经网络是用于从原始和高维数据中提取有意义知识的最有效的计算模型之一。DNNs的使用有助于解决计算机视觉[1]、自然语言理解[2]、机器人学[3]和许多其他领域中的各种挑战性问题。DNN的拓扑或架构是通过堆叠能够执行简单数学运算的计算节点来构建的,例如求和、乘法和卷积。通过计算给定数据库或数据集上损失函数的偏导数,可以轻松调整这些简单节点中的参数。此外,因为这样的节点正在计算简单的操作,所以它们中的许多可以在图形处理单元(GPU)上并行运行。由卷积运算组成的DNN架构是用于医学成像诊断领原创 2020-12-30 10:52:55 · 235 阅读 · 0 评论 -
cPSO-CNN: An efficient PSO-based algorithm for fine-tuning hyper-parameters of convolutional neural
1.简介人工群体智能算法,如遗传算法[1],粒子群优化[2]和烟花算法[3],自问世以来,一直显示出其在现实世界中优化难题的强大能力。依靠从邻居和环境中收集引导信息并相应调整其行为的简单智能体群体,高智能体作为一个整体出现,其优点是不要求目标问题具有任何优化方便的数学属性,如连续性、可导性或凸性。因此,对于许多复杂的问题,通常是高度非线性和多模态的,系统集成算法通常比传统的数学规划方法性能更好。而优化卷积神经网络的超参数配置正是这类问题。虽然LeCun等人首创的CNN Lenet-5在几十年前就解.原创 2020-12-18 15:52:15 · 723 阅读 · 4 评论 -
安装pytorch,配置Pycharm和Jupyter
1.创建新的虚拟环境(base) C:\Users\zym>conda create -n pytorch python=3.7 2.激活虚拟环境conda activate pytorch 3.https://pytorch.org/get-started/locally/pytorch安装网站根据电脑环境选择相对应的配置4.复制运行下面的安装命令conda install pytorch torchvision torchaudio cudatoolkit=10.原创 2020-11-23 17:27:43 · 777 阅读 · 1 评论 -
Particle swarm optimization of deep neural networks architectures for image classification
Abstract:深度神经网络在解决现实世界的问题上已经显示出优于经典的机器学习算法。然而,最成功的深层神经网络是从零开始手工制作的,考虑了问题领域的知识。这种方法通常会消耗大量的时间和计算资源。在这项工作中,我们提出了一种基于粒子群优化算法的新算法,与其他进化方法相比,该算法能够快速收敛,自动搜索有意义的深度卷积神经网络结构,用于图像分类任务,称为粒子群优化神经网络。设计了一种新的直接编码策略和一种速度算子,使得粒子群优化算法能够与神经网络一起优化使用。我们的实验结果表明,粒子群优化神经网络可以快速找原创 2021-01-05 10:38:18 · 333 阅读 · 0 评论 -
完全自动化的基于块的CNN架构设计
Completely Automated CNN Architecture Design Based on Blocks问题引出:给定一个CNN,记录为有n个体系结构系数记为,其决策空间是CNN的架构设计分别是为了优化问题的表述如下 其中表示CNN 采用体系结构参数设置为,表示验证在训练集Dtrain训练之后,在验证集Dvalid上的性能。在分类任务的情况下,测量应用了的任务的分类误差。典型...原创 2020-10-24 11:24:36 · 341 阅读 · 0 评论 -
基于遗传算法的图像分类自动设计
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,长度应该是事先原创 2020-10-22 20:53:02 · 952 阅读 · 7 评论 -
PSO优化算法优化卷积神经网络(IPPSO)
1.编码结构的设计IPPSO编码策略的灵感来自网络IP地址的工作方式。虽然CNN架构由三种类型的层——卷积层、池化层,全连接层,和不同类型的编码信息层变化的参数的数量和范围在每个参数显示在表我,网络IP地址的固定长度足够可以用来容纳所有类型的CNN层,然后网络IP可分为无数的子集,每一个都可以用来定义一个特定类型的CNN层。首先,需要设计基于ip编码方案下二进制字符串的长度。对于Conv层,首先,在表I的参数列中列出了三个关键参数:filter size, feature map number an原创 2020-10-19 10:30:50 · 3230 阅读 · 4 评论