[发明专利]一种图像识别方法、设备、电子设备和存储介质

说明书

本说明书一个或多个实施例提供的一种图像识别方法、设备、电子设备和存储介质，包括：确定单元结构中两个节点间的候选操作集合；确定对应的第一参数，并进行第二参数更新训练生成最终参数，确定最终参数所对应的最优候选操作，将两个节点通过最优候选操作进行连接；将连接节点后的单元结构置入预设的结构框架，并进行图像识别训练，生成图像识别模型；当用户进行图像识别时，获取用户输入的图像，将图像输入图像识别模型，输出识别结果。本说明书一个或多个实施例通过在设定的搜索空间中搜索出与图像识别数据、场景相适应的神经网络结构，显著提升图像识别精度，降低在运算设备上的时延，减少专业人员在神经网络结构设计上的时间消耗。

技术领域

本说明书一个或多个实施例涉及人工智能技术领域，尤其涉及一种图像识别方法、设备、电子设备和存储介质。

背景技术

随着社会进步和科技发展，图像已经成为人们获取信息的重要方式。近年来，出现在生活中的图像数据增长迅速，对于数量如此巨大的图像数据，快速有效的图像处理分析方法是被迫切需要的。这使得图像识别技术成为了一个热门的研究方向。神经网络是近年来兴起的一种人工神经网络与深度学习理论相结合的模式识别方法,目前已经成为图像分类识别领域中的研究热点之一。但是，一般的神经网络设计依赖于人类专家的知识，针对具体的任务、数据集和运算条件，设计与之匹配的神经网络结构，这使得设计网络非常依赖于经验和具体场景，各种超参数调整也费时费力。

现有技术中，神经网络结构设计是一个需要专业人员的大量实验经验的过程，针对特定的数据集、特定的运算设备来设计合适的神经网络结构更加是一个费时费力的工程。已有的许多神经架构算法，一方面在搜索阶段需要大量的运算资源，另一方面难以稳定的提供满足要求的结构。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种图像识别方法、设备、电子设备和存储介质。

基于上述目的，本说明书一个或多个实施例提供的一种图像识别方法，包括：

确定单元结构中两个节点间的候选操作集合；

确定所述候选操作集合中的候选操作所对应的第一参数，根据所述第一参数进行第二参数更新训练生成最终参数，确定所述最终参数所对应的最优候选操作，将所述两个节点通过所述最优候选操作进行连接；

将连接所述节点后的所述单元结构置入预设的结构框架，并进行图像识别训练，生成图像识别模型；

当用户进行图像识别时，获取用户输入的图像，将所述图像输入所述图像识别模型，输出识别结果。

在一些实施方式中，所述根据所述第一参数进行第二参数更新训练生成最终参数，包括：当所述第一参数为网络参数时，所述第二参数为结构参数；具体为：

获取所述候选操作所对应的结构参数，对所述结构参数进行逻辑回归生成出现概率，根据所述出现概率无放回的在所述候选操作集合中选取两个所述候选操作生成选出操作；

生成所述选出操作对应的布尔门值，获取所述单元结构的输入值，使所述输入值分别通过一种所述选出操作生成输出值，获取所述输出值与对应的所述布尔门值的乘积，并与另一所述输出值与对应的所述布尔门值的乘积进行求和作为最终输出，通过所述最终输出确定损失函数，通过如下式所示的反向传播梯度公式进行结构参数更新训练生成所述最终参数；

其中，L为损失函数，α_i为第i个结构参数，p为选出操作的出现概率，g为布尔门值。

在一些实施方式中，所述通过反向传播梯度公式进行结构参数更新训练之后，对更新后的结构参数添加修正因子，所述修正因子具体为：

其中，r为修正因子，α为结构参数，α′为更新后结构参数。