基于多目标粒子群优化演化深度神经网络用于图像分类
神经与进化计算
2019-04-23 v2 计算机视觉与模式识别
机器学习
摘要
近年来，卷积神经网络（CNNs）变得更深，以在图像分类中获得更好的分类精度。然而，由于难以手动微调超参数以及分类精度与计算成本之间的权衡，最先进的深度 CNNs 难以部署于工业应用。本文提出一种新颖的多目标优化方法，用于在真实应用中演化最先进的深度 CNNs，其自动演化 Pareto 前沿上的非支配解。主要贡献有三：首先，设计了一种新的编码策略以编码最佳最先进 CNNs 之一；以分类精度和浮点运算次数为两个目标，开发了一种多目标粒子群优化方法来演化非支配解；最后但同样重要的是，设计了一种新的基础设施，通过在多台机器的多个 GPU 上并发运行实验来加速实验，并开发发布了一个 Python 库来管理该基础设施。实验结果表明，所提算法找到的非支配解形成了清晰的 Pareto 前沿，且所提基础设施能够近乎线性地减少运行时间。
引用
@article{arxiv.1904.09035,
title = {Evolving Deep Neural Networks by Multi-objective Particle Swarm Optimization for Image Classification},
author = {Bin Wang and Yanan Sun and Bing Xue and Mengjie Zhang},
journal= {arXiv preprint arXiv:1904.09035},
year = {2019}
}
备注
conditionally accepted by gecco2019