[发明专利]一种图像神经架构的确定方法、装置、设备及存储介质

权利要求书

1.一种图像神经架构的确定方法，其特征在于，包括：

根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合；其中，所述当前子代集合的子代个体中包括图像神经架构的结构信息和网络规模；

将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合；其中，所述目标子代集合的子代个体中包括图像神经架构的结构信息、网络性能预测结果和网络规模；

采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群；

判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法，从所述目标种群中确定图像神经架构的帕累托最优集合，供用户从帕累托最优集合中确定目标神经架构；

采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群，包括：

采用预设的多目标优化算法对所述目标子代集合中的子代个体进行适应度排序，确定满足预设适应度要求的目标子代个体；

根据目标子代个体的图像神经架构结构信息和预设的图像分类任务数据集，确定目标子代个体的网络性能；

将所述目标子代个体添加至所述当前种群中，生成所述目标种群；其中，所述目标种群的图像神经架构个体中包括图像神经架构的结构信息、网络性能和网络规模；

所述多任务学习代理模型中包括交互层和至少两个径向基神经网络，所述径向基神经网络中包括输入层、隐藏层和输出层；

相应的，在将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合之前，还包括：

根据当前种群中图像神经架构个体的结构信息、网络规模和网络性能，基于预设的数据格式，生成当前种群中图像神经架构个体的训练数据；其中，所述训练数据中包括网络结构数据和训练标签，所述网络结构数据中包括结构信息和网络规模，所述训练标签中包括网络性能；

将所述训练数据输入至待训练的多任务学习代理模型中，根据径向基神经网络输出层的输出值，确定所述输出值与所述训练标签的输出层误差；

判断所述输出层误差是否满足预设的误差阈值要求；

若是，则确定多任务学习代理模型训练完成，将所述当前子代集合输入至预设的多任务学习代理模型中。

2.根据权利要求1所述的方法，其特征在于，在根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合之前，还包括：

采用预设的多目标优化算法对当前种群中的图像神经架构个体进行适应度排序，得到适应度排序结果；

根据所述适应度排序结果和预设的选择操作，得到至少一个父代个体；其中，所述当前种群的图像神经架构个体中包括图像神经架构的结构信息、网络性能和网络规模。

3.根据权利要求2所述的方法，其特征在于，所述当前种群为第一次迭代的初始种群；

相应的，在采用预设的多目标优化算法对当前种群中的图像神经架构个体进行适应度排序，得到适应度排序结果之前，还包括：

根据预设的图像分类任务数据集，对所述初始种群中的图像神经架构个体进行训练，得到所述图像神经架构个体的网络性能；

根据所述初始种群中图像神经架构个体的结构信息，确定所述图像神经架构个体的网络规模。

4.根据权利要求1所述的方法，其特征在于，根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成所述父代个体的当前子代集合，包括：

根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行增加基因、减少基因和/或替换基因的变异操作，生成所述父代个体的当前子代集合。

5.根据权利要求1所述的方法，其特征在于，将所述当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合，包括：

将所述当前子代集合输入至预设的多任务学习代理模型中，输出当前子代集合中子代个体的图像神经架构网络性能预测结果；

根据当前子代集合中子代个体的结构信息、网络规模以及网络性能预测结果，得到更新后的目标子代集合。