基于模块的卷积神经网络架构自动演化
神经与进化计算
2019-03-12 v2
摘要
卷积神经网络（CNNs）的性能高度依赖于其架构。为设计具有良好性能的 CNN，需要同时具备 CNN 与被研究问题方面的扩展专业知识，而这未必为每位关注 CNN 或问题领域的用户所掌握。本文中，我们提出通过使用基于 ResNet 模块与 DenseNet 模块的遗传算法来自动演化 CNN 架构。所提算法在 CNN 架构设计上是\textbf{完全}自动的，特别地，既不需要启动前的预处理，也不需要对所设计 CNN 的后处理。此外，所提算法不要求用户具备 CNN、所研究问题乃至遗传算法方面的领域知识。所提算法在 CIFAR10 与 CIFAR100 上对照 18 个最先进的同类竞争者进行了评估。实验结果表明，就分类精度而言，它优于手工定制的最先进 CNN 以及由自动同类竞争者设计的 CNN，并与半自动同类竞争者取得有竞争力的分类精度。另外，所提算法在寻找最佳 CNN 架构时消耗的时间远少于大多数同类竞争者。
引用
@article{arxiv.1810.11875,
title = {Automatically Evolving CNN Architectures Based on Blocks},
author = {Yanan Sun and Bing Xue and Mengjie Zhang and Gary G. Yen},
journal= {arXiv preprint arXiv:1810.11875},
year = {2019}
}