[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

说明书

本发明实施例公开了一种图像神经架构的确定方法、装置、设备及存储介质。其中，该方法包括：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，生成父代个体的当前子代集合；将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；采用预设的多目标优化算法对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。实现对图像神经架构的高效确定，有效节约确定时间。

技术领域

本发明实施例涉及计算机技术，尤其涉及一种图像神经架构的确定方法、装置、设备及存储介质。

背景技术

深度学习中的深度卷积神经网络在解决各种现实问题时拥有广阔前景，但只有在深度卷积神经网络的架构是最佳构建时，该网络才能达到最好的性能。如果待处理的数据发生变化，就必须重新设计新的神经网络架构。

深度卷积神经网络通常是手工设计的，要求设计者在神经网络和数据研究两个方面拥有丰富的专业知识。但依靠手工设计的过程是一个不断试错并且十分耗时的过程，大多数经验不足的普通用户难以在实际应用中个性化地构建自己所需的神经网络，图像神经架构的确定效率较低。

发明内容

本发明实施例提供一种图像神经架构的确定方法、装置、设备及存储介质，以提高图像神经架构的确定效率。

第一方面，本发明实施例提供了一种图像神经架构的确定方法，该方法包括：

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。

第二方面，本发明实施例还提供了一种图像神经架构的确定装置，该装置包括：

当前子代集合生成模块，用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；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；

目标子代集合生成模块，用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；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；

目标种群生成模块，用于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；

神经架构集合确定模块，用于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。

第三方面，本发明实施例还提供了一种图像神经架构的确定设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的图像神经架构的确定方法。