没有合适的资源?快使用搜索试试~ 我知道了~
智能系统与应用16(2022)200145一种新的确定最优CNN结构的关于Swarm IntelligenceMangalraja, Mohit Pandyab,Sayonee Dassanica印度VIT-AP大学计算机科学与工程学院B 巴克莱执行服务,印度cOptum Global Solutions,印度A R T I C L E I N F O A B S T R A C T保留字:深度学习集群智能最优架构近年来深度学习架构的出现为开发几种实时应用铺平了道路。深度学习架构选择非常耗时,因为它需要几个小时的时间来训练,很少有架构需要几天的时间来训练。为了解决选择体系结构时的缺陷,我们开发了一种新颖的算法,在群体智能的帮助下将最优架构返回给用户。运行算法所需的参数是从输入样本中动态获得的,因此返回的体系结构是可靠的。该算法基于训练精度等定性指标进行测试 和测试精度,并根据收敛时间等定量指标对算法进行评估和执行时间。该算法对任何数据集都是鲁棒的,并且由该算法生成的架构产生更好的结果。1. 介绍计算机视觉是一个跨学科的研究领域,它集成了人工智能,数学以及分析过程,以从图像和视频数据中获得洞察力计算机视觉已经在从农业到医学的几乎每个领域留下了足迹。然而,处理计算机视觉问题的目的是解决其主要问题之一,即从大量结构化和非结构化数据中提取信息。人工智能中神经网络的出现在很大程度上解决了这个主要问题,它提供了输入和输出的特征,这些特征是由网络的自调整智能生成的。从大量数据中识别特征并不是一件容易的事情,这使得研究人员专注于神经网络的即兴创作,最终导致了卷积神经网络(CNN)的引入。CNN的出现为CNN开发新架构的研究已经从5层LeNet(LeCun等人,1998)到200层DenseNet(Huang等人,2017年)。最近的研究开发新的层类型,如inception,residual等正在进行中。在为CNN的重点开发新架构方面进行的研究通讯作者。电子邮件地址:mangal86@gmail.com(Mangalraj)。https://doi.org/10.1016/j.iswa.2022.200145衡量CNN在计算机视觉和其他领域的重要性。然而,这些架构完全依赖于数据的复杂性。如果它是简单的二进制数据,那么即使是5层架构也能很好地工作,性能更高,而对于复杂的数据,则需要复杂的架构。识别特定数据集的最佳CNN架构将是一个繁琐的过程,可以从100个不同的复杂架构中找到如果网络针对特定数据进行了优化,则可以有效地解决从可用架构中选择特定CNN架构的模糊性。在研究工作中,我们尝试根据数据优化网络架构,群体智慧的一部分。群体智能(Ahmed Glasgow,2012) 是一种基于群体的模型,有助于从可用的解决方案空间中找到最优的解决方案。这种智慧在我们的研究中得到了回报,我们根据输入数据特征确定了CNN的最佳架构。在现有技术中已经开发了许多群智能算法,例如蚁群优化器(Dorigo等人,2006年)、蚁狮优化器(Mirjalili,2015年)、龙算法(Mirjalili,2016年)、遗传算法( Whitley , 1994 年 ) 、 灰 狼 优 化 器 ( Mirjalili 等 人 , 2014 ) 、Grasshopper Optimization Algorithm(Mirjalili等人,2018),粒子群优 化 ( Kennedy Eberhart , 1995 ) , 人 工 蜂 群 算 法 ( Karaboga ,2010)等。接收日期:2021年9月2日;接收日期:2022年4月2日;接受日期:2022年11月1日2022年11月5日在线发布2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表智能系统及其应用期刊首页:www.elsevier.com/locate/iswa*Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001452别这样(二)图1.一、拟定方法的流程图。人工蜂群(ABC)算法被选择用于我们提出的研究,因为它的收敛速度和使用较少的控制参数,如Karaboga和Akay(2009)所示。在Muthiah和Rajkumar(2014)的研究工作中,他们已经证明ABC算法比其他算法表现得更好,因为它具有独特的能力,可以通过雇员蜜蜂执行本地搜索,并通过蜜蜂和侦察蜂执行通用搜索。我们选择ABC为我们提出的方法的最重要的原因是,在该算法中要设置的控制参数的数量较少,而不会牺牲性能。本文的结构安排如下:第一部分是绪论,第二部分是重点,第三部分是实验,第四部分是结果和分析,第五部分是结论和范围。2. 使用ABC算法优化CNN结构在本节中,我们详细介绍了如何使用群优化技术来优化CNN架构。在拟议的工作中,我们将不同的CNN架构视为种群(食物源)。运行该算法的输入是层(下限和上限),最大内核大小,卷积层的最大输出通道以及全连接层中的最大神经元数量。需要给出的其他参数是迭代次数、群规模和退出标准。需要动态地识别上述输入和参数,这是提议的工作。所需的指定参数和输入退出标准。在这三个阶段中,群体中的网络将在一小部分数据集上进行训练,并且针对非常小的数据集。以检查其性能。基于其性能(即基于损失值),群体中的网络将被移除,并进行修改以达到最优化的模型。因此,在3个蜜蜂阶段结束时,从这个种群中选择损失最低的一个。然后在整个数据集上训练获得的最佳模型,最后给出一个最优的、训练有素的模型。ABC算法的三个阶段及其相应的伪代码将在后面的章节中讨论。2.1. 蜜蜂阶段在雇佣蜜蜂阶段,随机生成的食物来源(CNN架构)被传递给一个随机的食物来源(CNN架构)函数,该函数处理当前的架构和随机的架构,以在附近产生一个在生成新架构后,它在数据集上进行训练,以在目标函数的帮助下找到损失值。 在ABC-CNN算法中,拟合函数是从如等式(1)所示的目标函数计算的。如果新架构更适合,则用新架构替换当前架构。有一个值称为,当选择新架构时,该���������������值被设置为0,否则它将增加值1。 试运行值表示函数失败的次数,以生成更好的架构。������������������������������������������������������从给定的输入样本确定算法。所提出的工作模型如图1所示1.一、()={11+(1+)if()���������≥0}(一)我们可以从图1中注意到这一点,我们提出的模型有三个阶段,模型的第一阶段是生成种群,模型的第二阶段是对生成的种群执行ABC算法,模型的第三阶段是获得最优解(CNN架构),如果获得的最优解不满足所需的精度,则该过程将继续更新种群。我们的模型开始使用获得的参数构建解空间。解空间将生成CNN架构的随机种群一旦从解空间生成种群,ABC算法的三个阶段就开始了,即被雇用蜜蜂阶段、觅食蜜蜂阶段和侦察蜜蜂阶段。三阶段pf ABC算法将被重复执行,直到它达到( ())如果电子邮件(0)其中,粒子/网络在总体���中的适合度������是 粒子/网络, ������并且是目标函数。������在我们的算法中,目标函数是指网络的损失值。2.2. 围观蜜蜂阶段所有架构的概率都是使用������������������������������函数的作用。将拟合值放入等式(2)中,以找到种群中不同CNN架构的概率。[ ]=0.9 []������������������������+ 0 1中文(简体)Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001453如算法ABC-CNN所示,我们使用了两个变量,跟踪蜜蜂和建筑的数量。在该算法中,选择随机数α如果是小的,那就是小的。处理���新架构(即,生成新架构,然后计算拟合值),并更新其相应的试验值。的值递增,表示我们转到下一只蜜蜂。在此之后,将递增,表示下一个体系结构。如果的值大于概率,则只递增,并检查下一个架构的概率。如果的增长大于种群大小,则被设置为零。特定结构的重要性取决于不同蜜蜂的采摘总数。2.3. 侦察蜂阶段随机选择建筑的失业蜜蜂被称为侦察兵。在预定数量的步骤之后,其拟合值没有增加的架构将被丢弃。使用如算法ABC-CNN(Al-出租m1)中所示的变量来跟踪该数字���������������步骤的预定数量由称为放弃准则的ABC-CNN算法的输入决定,我们称之为放弃准则。在该阶段中,找到最大试验值,并且如果该值大于极限,则丢弃该架构并生成新的随机架构。在寻找最佳架构时,需要遇到三种情况。1. 没有试验值大于限值,则跳过侦察蜂阶段2. 如果有几个体系结构的试验值大于限制,则丢弃3. 如果有一个以上的体系结构的trail值更大,则需要随机丢弃该体系结构以获得最佳体系结构2.4. 生成新架构在算法GenerateNewArchitecture(算法2)中,算法1:ABC-CNN算法。输入:迭代次数(Number of Iteration)、总体大小(Populationsize)、最小层数(Min Number ofLayers)、最大层数(Max Numberof Layers)、卷积层的最大输出通道(Max Output Channel forConvolutionLayer)、全连接层的最大输出通道(Max Output Channelfor Fully Connected Layer)、限制(Limit)、历元、数据集输出:最佳解决方案和最佳废弃解决方案的体系结构和指标pop ←Population(人口,������������������������������������������������������人口)对于←1到���������������������������������������������intn(0,N);GenerateNewFoodSrc(生成NewFoodSrc.生成NewFoodSrc,生成NewFoodSrc [].生成NewFoodSrc);������������������fitness=fitness();如果你不知道,���������������������←;return 0;else搜索结果++;;int n=nums();围观蜜蜂阶段return0;return0;虽然,���return(0,1);如果是这样,GenerateNewFoodSrc([ ].,[Random(0,N)].);������������������fitness=fitness();如果你不知道,���������������������←;return 0;else搜索结果++;;++;++;如果==,则return0;侦察蜂阶段������������������������←���������(���������������);���������������������������������←������������(���������������);使用当前选择的体系结构和如果>=,则如果你不知道你的名字然后从人群中随机选出一个在该算法中,确定卷积层,并将在同一个可能的变化,以获得一个新的架构。特别是,对卷积层的输出通道进行了其他←���������[���������������������������������];如果[]>[][],则←���������[���������������������������������];呃。使用等式(3)来计算用于所述信道的新信道号选择卷积层。我们现在可以从总体或BestDisacrdedSoln中选择最佳体系结构,这两个体系结构具有更小的损失值������=������+������(������−��� ���)���(3)������������������������������������minLoss(pop);其中,R1是在群体中选择的当前网络的索引,是在种群中选择的随机网络的指数,是生成的新网络,是指原始网络,是指随机值。算法GenerateNewArchitecture随机选择一个层,并记录输出通道的数量所选层必须是卷积层;如果不是,将检查下一层,重复直到找到卷积层输出通道为-算法2:生成新架构。输入 :当前架构( 1)、随机选择架构( 2)输出:新发现的体系结构第������一个fc层的索引(下标1);签名到之前选择的特定层,并返回新的架构。3. 实验细节3.1. 设置研究工作是使用Google Compute Engine平台的虚拟机(VM)进行的。VM的规格是n1-standard-8(8个vCPU,30 GB内存)作为CPU,GPU是具有16 GB内存的1 x NVIDIA Tesla T4成功执行2索引←第一个fc层的索引(索引2);���������������←Minimum(���1������,��� 2������);���������������������Random(0,random);而101[]和102[]不是conv层,++;如果你不知道,=0���������1 =��� 1[���������������������][������������ℎ���������������];���������2 =��� 2[���������������������][������������ℎ���������������];���return(0,1);������������������←���������1 +��� ∗ (���������1 −��������� 2);���1[������������������������������������������������������������������return 1;Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001454图二. 训练时间与网络长度。在本地机器上的小数据集上的程序,代码存储库被线程连接到Github;克隆将在虚拟机上进一步处理,以在完整数据集中执行最佳架构,以进行验证。3.2. 数据集该研究是在两个具有不同复杂度的数据集上进行的。第一个数据集是MNIST,它是一个简单的二进制手写数据集,有60000个训练样本和10000个测试样本,有10个类。同时,我们使用CIFAR 10数据集,这是相当复杂的,有60000彩色图像与10个不同的类。由于CNN架构完全依赖于数据的性质,我们试图将我们提出的方法与这些不同的数据集进行比较。3.3. 参数3.3.1. 参数动态选择需要以动态方式向所提出的模型提供参数。初始参数集控制CNN架构的边界,其随机地为所提出的方法创建输入(即CNN架构集)。CNN架构的长度假设下限为3,上限为10。CNN架构的下限和上限限制了用于为任何给定样本集获得最佳CNN架构的搜索空间。下限被认为是3,因为CNN将至少有一个卷积层,一个池化层和一个全连接层。上限被选择为10,因为当 该体系结构增加了时间复杂度,如图1所示呈指数增长。二、图2所示的图表是在测试算法时绘制的用于训练10个时期的原始数据样本的10%。从图中可以明显看出,当架构长度增加时,时间复杂度呈指数级增加,达到更高的3.3.2. 池化层在为CNN架构选择层时,我们优先考虑了表1ABC-CNN输入参数。解空间参数值网络的最小长度3网络的最大长度10最小输出通道数3最大输出通道数256FC层1中的最小神经元数量FC层中的最大神经元数量300Conv层的最小内核大小3×3Conv层的最大内核大小7×7ABC算法参数值迭代次数10人口规模10极限1CNN训练参数值用于找到目标函数1的用于训练最优网络的时期50批量规格化图层输出是辍学率0.53.3.3. 用于获得最佳解决方案的我们选择了一些默认参数来运行ABC-CNN算法。选择这些默认参数是为了在具有少量输入样本的上下文中识别最佳架构。3.3.4. 适应度函数在训练网络时必须确定拟合函数;在我们的例子中,我们考虑了用于查找目标函数的Epoch,因为会有很多调用拟合函数的实例,所以该值设置为1。在ABC算法结束并选出最优网络后,对它进行Epochs训练,用于训练最优网络次数,以便用最优网络获得最佳结果。3.3.5. 结构和精度我们使用了一小部分输入样本来识别最佳架构,如图3所示。从图中可以看出,即使是长度小于10的架构也表现良好。从图中可以明显看出,我们将能够以最少的参数选择确定最佳网络(表1)。在后一节中进行了进一步的结果和分析。4. 结果4.1. 实验实验在两个不同复杂度的数据集(MNIST和CIFAR 10)上进行。在这些数据集上进行了实验,对所提出的算法进行了比较研究。CNN架构的初始种群及其相应的训练精度已在表2中提供。表2是在CIFAR-10数据集上训练初始种群(不同CNN架构)时生成的。从表2中可以明显看出,总体的初始训练准确率低于50%。从初始种群中,CNN-ABC算法完成后,识别出最佳网络。4.2. 结果网络体系结构如下所示。每个池化层。选择池化层的主要原因是,层表示为,层建筑的尺寸会减少太多,直到它到达尽头。 增加池层的数量自然会简化学习曲线。但是,我们通过缓冲池缓冲池函数动态选择了池化层的数量例如������������������������,如果池化层的数量为4,则CNN的长度和宽度将减少(2×2,28scin2=14scin2=7scin2=3。5−>4 scin2=2)乘以2倍。用 于生成架构师级架构,包括���全连接层(FullyConnectedLayer,FullyConnectedLayer)、池化层(Pooling Layer,Pooling Layer)。���������������������������������������������该算法只需要运行一次,它会产生2个最优网络,特别是最好的网络从人口和另一个是最好的丢弃网络。这里Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001455图3.第三章。测试和训练不同长度的精度,其中conv和pool层的数量等于i+1。从解空间中丢弃并保存为最佳丢弃网络。最后,我们给出两个网络作为输出,但用户可以选择任何一个精度更高的网络。因此,在每次运行时,用户将获得2个最佳网络,称为最佳网络和最佳丢弃网络,他可以自由选择其中最好的。如果用户对最佳结果不满意,他可以进行第二次运行。该算法的每次运行都产生最佳网络及其相应的训练和测试精度以及训练和测试损失,类似地,该算法产生最佳丢弃网络及其相应的训练和测试精度以及训练和测试损失。我们通过在三次运行中生成最佳架构来评估我们的算法。我们使用最小样本来确定最佳的结构,通过算法和最佳网络的评估在完整的数据集,以显示最佳结构的性能。的结果从表2和表3中可以明显看出,我们的CNN-ABC算法在识别最佳架构方面收敛得很好,对于完整的数据集,训练精度超过90%。4.3. 分析在表2中,群体中的架构产生了差的结果,其低于50%。在使用CNN-ABC算法对种群进行收敛后,结果得到了改善,平均训练准确率为90%,并根据定性参数生成了最优网络。4.3.1. 在MNIST上当完整的数据集MNIST在最优网络上执行时,在完整数据集上执行的最优网络及其相应的工作5→4→5→2010年,训练准确率为响应精度和损失已在表3中详细列出。0.9994和D2T0H6E测试G13A5CCURACY1A43S0.9945。其他人都是最好的Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001456219245表2CIFAR-10数据集群体中所有粒子(网络)的训练精度迭代0.36260.3550.34860.3490.3490.3490.3490.34880.36020.36020.3450.3450.3450.34860.34860.34860.34860.34860.36280.36280.17560.17560.36720.36720.36720.37660.37660.36920.36920.36920.28840.28840.28840.28840.28840.2340.2340.2340.2340.234运行10.35320.25720.35320.27640.35320.27640.35320.27640.35320.27880.3610.27880.3630.27880.3630.27880.3630.27880.3630.27880.33020.33020.33020.33020.33020.33020.36140.36140.36140.36140.37020.37020.37020.36720.36720.36720.36720.36720.36720.33740.26840.26840.26840.26840.35580.35580.35580.35580.35580.35580.12120.12120.12120.12120.12620.12620.12640.12640.12640.12640.35840.37140.38320.38320.38320.38320.35760.37020.37020.37020.28720.28720.28720.28720.3770.3770.3770.31060.3150.3150.33560.33560.33560.1140.1140.1140.1120.1150.11320.11320.23220.23220.23220.23220.2740.2740.2740.2740.2740.2618人口运行20.26580.3720.26580.37920.35320.37920.35320.37920.36580.37720.36580.37720.36580.37440.36580.37440.36580.37440.36580.37440.26640.26640.26640.26640.26640.27640.27640.27640.27640.27640.37040.37040.3770.3770.3770.3770.3770.3770.3530.3530.3050.3050.30880.32980.32980.32980.32120.32120.32120.32120.31020.31020.31020.30260.30340.30340.30340.30240.30.30.24020.2360.24640.24640.24640.38220.38220.37860.37860.37980.34560.3640.37380.37380.37380.37380.31840.31840.31320.33140.3590.3590.3590.35860.37480.37480.37480.37480.36020.36020.3650.37260.37260.37260.37260.37060.37060.37060.37060.3706运行30.3330.36140.33320.37180.33320.37180.33320.37180.33320.37180.33320.37180.33320.37180.0990.37180.10660.34660.10840.34660.35060.36040.36040.36040.35580.35580.35580.35580.35580.36060.28220.28220.12180.12480.11020.11020.10740.10740.10740.10740.20720.21740.21740.21740.2180.2180.2180.2180.21040.21040.3640.35080.35080.35080.35080.35080.35080.35080.35080.3576表3ABC-CNN算法在MNIST和CIFAR 10数据集中的比较结果。运行参数MNISTCIFAR10运行1最佳网络列车损失列车精度测试损失测试精度最佳丢弃网络列车丢失列车精度测试损失测试准确度所需时间(s)������������5→4→5→������10206 135 1430.00200.99940.01930.9945������������5→5→������10219 2450.00190.99950.02220.99372087.97������������5→3→���������−������������2→������10195 140 −10.62210.78560.86010.7067������������6→4→������10114 1430.38270.86821.03530.66992112.29运行2最佳网络列车损失列车精度测试损失测试精度最佳丢弃网络列车丢失列车精度测试损失测试准确度所需时间(s)������������3→6→3→������10211 200 1960.00240.99950.02010.9945������������4→5→5→5→������10235 157 116 1460.00200.99930.01810.99442356.89������������3→4→������10109 2510.26350.91091.06960.6650������������4→5→6→������10246 235 2290.17080.94600.71280.78312822.60运行3最佳网络列车损失列车精度测试损失测试精度最佳丢弃网络列车丢失列车精度测试损失测试准确度所需时间(s)������������4→6→3→������10250 180 1910.00230.99930.02050.9944������������3→3 →3→6→������10119 73 173 2260.00190.99960.020560.99471916.03������������5→4 →������10198 810.443400.84561.02410.6625������������4→5→6→������10246 235 2290.17080.94600.71280.78312822.60丢弃的网络5→5→10产生训练精度最后的溶液和结果提供在表3中。第二次之后测试精度为0.9937。在第一次运行时,对于完整MNIST数据集,我们在两种最佳架构中获得了最佳精度为了进一步验证,我们进行了两次运行,但是在另外两次运行中,算法产生了4个以上的操作,运行训练精度为0.9995和0.9993,类似地,在第三次运行之后,训练精度为0.9993和0.9996。第2次运行后的检测准确度为0.9945和0.9944,同样,第3次运行后的检测准确度为0.9944和0.9947。如果通知有意义的话-Mangalraj,M.Pandya和S.达萨尼智能系统与应用16(2022)2001457114143246235229见图4。算法运行所用的时间。在第二次和第三次运行中生成的体系结构完全产生了类似的训练和测试精度,这进一步证明了A1-A2已经收敛到其最佳解。更多的运行次数将为用户产生更多数量的最佳架构,选择最佳架构的自由度基于用户需求,例如时间复杂度或定性指标。4.3.2. 在CIFAR10在第一次运行的CIFAR数据集中,我们获得的最佳训练网络为5→3→���������−2→10在第3.3.1节中。当体系结构的长度增加时,执行所花费的时间呈指数级增加。CIFAR 10在运行1、运行2和运行3中的执行时间分别为2112.29、2822.60和2012.54秒。运行3的执行时间已经减少,这最终证明了算法的收敛速度在多次运行后增加。当最佳丢弃网络在不同运行中相同时,这意味着从算法不能生成进一步更优的解。为了进一步探索最优解,需要用获得的最优解和新的架构来改变种群。5. 结论在研究工作中,我们提出了一种新的算法来为特定的数据集找到最佳的该算法对任何类型的数据集都是鲁棒的;我们已经对两个不同复杂度的不同数据集所提出的ABC-CNN足够快,可以根据输入数据集识别最佳架构。定量和定性的评估证明,我们提出的算法在识别最佳的体系结构表现良好。用户已经被赋予了识别多个最佳架构的自由,这是通过al-出租m的附加优势。该算法不能保证最佳的架构,但它保证在短时间内的最佳。CRediT作者贡献声明训练和 1t9e5staccur1a40cies分别为0.780-1和0.706。Atthe关键的重要知识内容,批准的版本,相同运行1,获得的最佳丢弃网络������������6→4→要出版的手稿。Mohit Pandiya:分析和/或训练和测试精度分别为0.868和0.669。在这一点上,用户可以选择任何一个网络,或者他可以再运行一次,直到他得到他想要的输出。从表3中可以看出,运行2的结果在新的其他2种最佳架构下有所改善最好的训练网络3 →6 →3 →2010年10月产生的训练数据预处理,起草稿件,批准稿件的出版版本。Sayonee Dassani:获取数据,批准将出版的手稿版本。测试精度分别为2s1a1s0.9109200和0.6615960。最好的是-在运行2中获得的梳理网络为4→5→6→作者声明,他们没有已知的竞争性金融产品。训练精度为0.9460,测试精度为0.7831。运行2比运行1产生更好的最优网络 但我们又尝试了第三轮在Run 3中,最佳训练网络������������5 →4 →10000产生了0.8456的训练准确率,比运行2的最佳训练网络产生的8t 1训练精度小1 s 98。类似地,在两种情况下生成的最佳丢弃网络利益或个人关系,可能会出现在本文报告的工作。引用Y.莱昆,博图湖,加-地本焦,Y.,Hagner,P.(1998年)。基于学习的应用运行相同(即4→5→6#21010;证明,?todocument文件recognition承认. Proc. IEEE,86(11),2278-2324.从给定的总体中,新的2R35解2S29的进一步收敛是不可能的。如果用户需要提高精度,他可以将获得的更新的解决方案提供给群体,用户可以重新启动整个过程。该算法4.3.3. 关于执行时间我们对算法的执行时间进行了入站分析。执行时间比较如图4所示。在完成识别最佳训练网络和最佳丢弃网络之后,在网络上执行完整的数据集以用于验证目的,并且在前一节中进行了基于定性度量的分析。MNIST数据集的执行时间少于CIFAR数据集。时间滞后的原因是CIFAR是彩色图像数据集,而MNIST是灰度图像数据集,因此由于频带差异而发生变化。MNIST需要在运行1,运行2,运行3的执行时间为2087.97,2356.89和1916.03秒,分别。在运行2中,由于我们已经讨论过的最佳丢弃架构长度,MNIST花费了Huang,G.,刘志,范德马滕湖,&Weinberger,K. Q.(2017年)。密集连接的卷积网络。在IEEE计算机视觉和模式识别会议论文集(pp. 4700-4708)。Ahmed,H., &Glasgow,J.(2012). 群智能:概念、模型与应用。皇后大学计算机学院。技术报告。多里戈,M.,比拉塔里,M.,Stutzle,T.(2006年)。蚁群算法 IEEE计算内特尔麦格,1(4),28Mirjalili,S.(2015年)。蚁狮优化器。 Adv. Eng. 软件。,83,80Mirjalili,S.(2016年)。龙算法:一种新的元启发式优化技术,用于解决单目标,离散和多目标问题。神经系统补偿Appl. ,27(4),1053-1073.Whitley,D.(1994年)。遗传算法教程。Stat. Comput. ,4(2),65Mirjalili,S.,Mirjalili,S. M.,&Lewis,A.(2014年)。灰狼优化器。高级工程师软件,69,46-61.Mirjalili,S.Z.,Mirjalili,S.,Saremi,S.,法里斯,H.,阿尔贾拉岛(2018年)。蚱蜢行动-多目标优化问题的最小化算法。应用程序接口,48(4),805-820.Kennedy,J.,&埃伯哈特河(1995年)。粒子群优化ICNN'95会议录-神经网络国际会议,卷。 四、 IEEE(pp. 1942-1948年)。卡拉波加湾(2010年)。人工蜂群算法 Scholarpedia,5(3),6915. Karaboga,D.,阿卡伊湾(2009年)。人工蜂群算法的比较研究应用数学计算,214(1),108Muthiah,A.,&拉杰库马尔河(2014年)。人工蜂群算法与遗传算法在最小化最大完工时间作业车间调度问题中的比较。程序工程,97,1745-1754.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功