[发明专利]一种自动分组的多尺度轻量型深度卷积神经网络优化方法

权利要求书

1.一种自动分组的多尺度轻量型深度卷积神经网络优化方法，其特征在于，采用了对称正余弦优化算法对原有基于非均匀分组的多尺度轻量型卷积神经网络中的多尺度卷积模块的通道分组比例进行优化改进，具体步骤包括：

步骤1：采用对称正余弦算法进行演化搜索得到待评价种群；

步骤2：对步骤1搜索到的待评价种群，使用多尺度轻量型卷积神经网络在图像分类任务上进行适应度评价，得到被评价后的种群，图像分类任务是指采用公用图像分类数据集CIFAR-10作为训练数据集和测试数据集；

步骤3：将步骤2中得到的被评价后的种群中最好的个体解码得到最终的网络模型SCA_MblockNet，并进行模型性能评估。

2.根据权利要求1所述的一种自动分组的多尺度轻量型深度卷积神经网络优化方法，其特征在于，步骤1所述的采用对称正余弦算法进行演化搜索的具体做法为：

步骤1.1：种群初始化，针对待确定的多尺度轻量型卷积模块中的分组比例问题，对进化算法中的种群的个体进行编码，并设置个体的初始适应度值为0，并随机初始化最佳个体；

步骤1.2：实例化处理，将待提高的网络分类性能表现看作待优化的目标，设计出需要优化的目标函数，根据实际情况对原有对称正余弦算法位置更新公式中的参数进行设置，以更适合待解决问题的需求，确定评价指标是将个体解码后得到的卷积神经网络的性能表现作为个体的适应度评价指标；

步骤1.3：种群更新，使用对称正余弦算法在决策空间中搜索最佳的决策变量，根据对称正余弦算法中的位置变化公式更新个体在决策空间中的位置，检查个体更新后的每一维是否超过设定的边界值，若超过则使用镜像对称的方式进行越界处理；

步骤1.4：网络训练及测试，使用每个个体对应的网络在图像分类任务上进行训练和测试，并得到对应的训练时间和分类精度；

步骤1.5：环境选择，根据个体的适应度选出下一代个体，根据适应度值选出最优个体Gbest；

步骤1.6：判断是否满足预先设定的误差精度或最大迭代次数，若不满足，则返回种群更新，否则，输出待评价种群P。

3.根据权利要求1所述的一种自动分组的多尺度轻量型深度卷积神经网络优化方法，其特征在于，步骤2所述的使用多尺度轻量型卷积神经网络进行适应度评价具体做法为：

步骤2.1：输入待评价种群P；

步骤2.2：对于待评价种群中的每个个体执行解码，将图像分类数据集CIFAR-10的一部分，作为待评价种群的训练数据集D_train和测试数据集D_test进行精度趋势预测，设置训练世代数epoch，设置批处理大小batch_size，设置每次训练的迭代次数iterations，然后在图像分类数据集CIFAR-10上进行网络训练和网络测试；

步骤2.3：解码，将解码后的个体信息加入到神经网络的结构中，得到具有新的多尺度分组卷积模块的网络；

步骤2.4：网络训练，将得到的带有新的多尺度分组卷积模块SCA_Mblock1和SCA_Mblock2的网络对特定的图像数据集进行训练，得到带有新的多尺度分组卷积模块SCA_Mblock1和SCA_Mblock2的网络的训练精度、训练损失以及训练后的临时网络模型；

步骤2.5：网络测试，将训练后的临时网络模型处理特定的图像分类问题得到网络的测试精度和测试损失，同时，记录每个个体执行步骤2所需评价时间time_cost，并将评价时间time_cost和测试精度存储到个体的第7维和第8维中；

步骤2.6：输出被评价过的种群。