1.基于差分进化算法的神经架构搜索方法,其特征在于,包括:步骤1,构建一个包含M条连接边和N个操作的超网,每个子网使用到范围内的连续数值为每条连接边上的每个操作赋予一个权重,所述权重作为编码来唯一地表示一个种群内的个体;
步骤2,使用训练数据及其标签训练超网的网络权重;所述训练数据来源于医学领域,具体指:根据皮肤影像判断皮肤疾病类型时,需要赋予已有图像确定的疾病类型作为标签,凭现有图像搜索到的神经网络经训练后能够对新产生的医学图像做医学辅助处理,新图像在判断结束后添加到图像库用以更新网络架构和参数,经过这样的处理,神经网络反向传播更新算法得以覆盖整个网络架构内的所有候选操作,从而实现对超网内所有操作权重的优化;
步骤3,使用差分进化算法对子网编码进行优化;
步骤4,交替执行步骤2和步骤3,直至种群内网络架构错误率收敛;
步骤2中,超网初始化时,为了确保一条连接边上的所有候选操作的数值之和为1,并且每个操作同等重要,矩阵内的每一个元素值为步骤3包括:
步骤3.1,初始化种群个体,包括子网编码和伸缩因子;
步骤3.2,使用演化算子更新伸缩因子;
步骤3.3,使用包含自适应因子的演化算子更新子网编码;
步骤3.4,执行环境选择确定新一代的子网编码和伸缩因子。
2.根据权利要求1所述的方法,其特征在于,步骤1中,所述超网中的每条连接边上含有N种候选操作,N取值为自然数;M和超网中设置的内部节点对应,设定内部节点是H个,则所述超网包括X个子网,X的值为
3.根据权利要求2所述的方法,其特征在于,步骤3.1包括:步骤3.1.1,按照每条连接边N个候选操作的定义,规定第g代种群内第n个个体的第j条连接边的编码方式为步骤3.1.2,按照一个超网共有M条连接边的设置,规定第g代种群内第n个个体的编码方式为步骤3.1.3,根据连续数值的上限和下限,对子网个体内的每一部分实现随机初始化步骤3.1.4,将第g代种群内第n个个体的伸缩因子
4.根据权利要求3所述的方法,其特征在于,步骤3.2包括:步骤3.2.1,遍历种群内个体,每次遍历时从第g代种群内随机选择个不重复的个体,分别是步骤3.2.2,从随机选择的3个个体中挑选2个个体的伸缩因子编码计算矢量信息差步骤3.2.3,将计算得到的矢量编码差乘以第g代第n个个体的伸缩因子,表示为
5.根据权利要求4所述的方法,其特征在于,步骤3.3包括:步骤3.3.1,从步骤3.2.1随机选择的3个个体中挑选对应的子网编码计算矢量信息差步骤3.3.2,用剩余一个未参与计算矢量信息差的随机子网编码加上步骤3.3.3,对当前遍历个体和步骤3.3.2中得到的变异个体执行交叉,得到第j部分的编码信息
6.根据权利要求5所述的方法,其特征在于,步骤3.4包括:步骤3.4.1,按照子网编码的数值大小做离散化处理:每条连接边上仅保留优化后得到的编码数值最大者,离散化后的编码方式转换为0-1编码,即每条连接边上保留下的操作对应的编码为1,其余皆为0,公式表示为步骤3.4.2,计算当前种群内遍历第g代种群中第n个个体的适应度其中,
其中,
步骤3.4.3,比较第g代种群内第n个个体其中,
7.根据权利要求6所述的方法,其特征在于,步骤4中,采取了网络权重和子网编码交替优化的方式,直至种群内网络架构错误率收敛,用公式表示为:其中
8.根据权利要求1~7任一项所述的基于差分进化算法的神经架构搜索方法的系统,其特征在于,包括:编码模块,用于构建一个包含M条连接边和N个操作的超网,每个子网使用0到1范围内的连续数值为每条连接边上的每个操作赋予一个权重,所述权重作为编码来唯一地表示一个种群内的个体;
训练模块,用于使用训练数据及其标签训练超网的网络权重;
优化模块,用于使用差分进化算法对子网编码进行优化。