[发明专利]网络架构优化方法、终端设备及计算机可读存储介质

说明书

本申请适用于计算机技术领域，提供了一种网络架构优化方法、终端设备及计算机可读存储介质，包括：获取网络架构集合，所述网络架构集合中包括多个网络架构；对所述网络架构集合中的每个所述网络架构进行编码，获得编码集合；基于粒子群算法在所述编码集合中迭代搜索出最优编码；对所述最优编码进行解码，获得优化后的目标网络架构。通过上述方法，可以有效提高网络架构的优化效率，保证卷积神经网络性能的最优化。

技术领域

本申请属于计算机技术领域，尤其涉及网络架构优化方法、终端设备及计算机可读存储介质。

背景技术

随着人工智能的发展，深度学习的应用越来越广泛。例如，深度学习可以应用在图像检测、手势识别、语音识别等领域。卷积神经网络是深度学习中一种经典、且应用广泛的网络，其性能的优劣通常与其自身的网络架构高度有关。

目前，通常是预先设定卷积神经网络的网络架构，应用过程再根据网络的性能指标人工优化网络架构。现有的网络架构的优化方法效率较低，且无法保证卷积神经网络性能的最优化。

发明内容

本申请实施例提供了网络架构优化方法、终端设备及计算机可读存储介质，可以有效提高网络架构的优化效率，保证卷积神经网络性能的最优化。

第一方面，本申请实施例提供了一种网络架构优化方法，包括：

获取网络架构集合，所述网络架构集合中包括多个网络架构；

对所述网络架构集合中的每个所述网络架构进行编码，获得编码集合；

基于粒子群算法在所述编码集合中迭代搜索出最优编码；

对所述最优编码进行解码，获得优化后的目标网络架构。

在本申请实施例中，通过编码来表示网络架构，然后基于粒子群算法对编码进行迭代搜索，以确定最优编码；最后再将最优编码解码为优化后的目标网络结构。通过对网络架构进行编码，将粒子群算法与网络架构的优化方法有机结合，实现了利用粒子群算法对网络架构进行优化的目的。另外，由于粒子群算法的计算成本较低、需要调整的参数较少、且收敛速度较快等优点，使得网络架构的优化效率大大提高。

在第一方面的一种可能的实现方式中，所述网络架构集合中的每个所述网络架构包括至少一个子网络，每个子网络中包括至少一个网络组件。

在第一方面的一种可能的实现方式中，所述对所述网络架构集合中的每个所述网络架构进行编码，获得编码集合，包括：

对于每个所述网络架构，分别对所述网络架构中的每个子网络的拓扑结构进行编码，获得每个子网络的结构编码；

对每个子网络中包含的所述网络组件的组件数量进行编码，获得每个子网络的深度编码；

根据每个子网络的所述结构编码和所述深度编码生成所述网络架构对应的编码。

在第一方面的一种可能的实现方式中，所述对于每个所述网络架构，分别对所述网络架构中的每个子网络的拓扑结构进行编码，获得每个子网络的结构编码，包括：

对于所述网络架构中的每个子网络，为所述子网络中每两个所述网络组件之间的连接关系生成二进制码值；

按照所述网络组件的连接顺序，将所述二进制码值组合生成所述子网络的所述结构编码。

在第一方面的一种可能的实现方式中，所述对每个子网络中包含的所述网络组件的组件数量进行编码，获得每个子网络的深度编码，包括：

对于每个子网络，计算所述子网络包含的所述网络组件的组件数量与数据集合中的最小值的数量差值，所述数据集合中包括所述网络架构中每个子网络包含的所述网络组件的组件数量；

将所述数量差值转换为二进制编码；