动态权重证据推理规则的CNN超参数质量评估

作者：李红宇; 黄志鹏; 张广玲; 贺维

来源：小型微型计算机系统, 2021, 42(05): 1015-1021.

• 卷积神经网络(CNN)
• 超参数评估
• 证据推理规则(ER Rule)
• 动态权重

卷积神经网络(Convolutional Neural Networks,CNN)在计算机视觉、自然语言处理为代表的数据处理领域应用广泛.在CNN训练过程中,超参数设置依赖于先验知识,不恰当的超参数会影响模型的训练效率和精度.为了解决这一问题,本文提出基于证据推理规则(Evidential Reasoning Rule,ER Rule)的CNN超参数质量评估模型,可在训练前提供高质量的超参数选择,从而提高模型的训练效率.首先,描述了CNN超参数评估的过程,然后构建了CNN的超参数质量评估模型,运用了奖罚策略实现指标权重的动态适应并给出模型的推理过程.最后,通过图像分类实验验证了模型的实际效果,实验结果表明本文提出的CNN超参数评估模型在多个数据集上预测准确率均高于90%,能够有效建立超参数与CNN模型效果的映射关系,从而过滤低质量的超参数.

• 单位
  哈尔滨师范大学; 中国人民解放军火箭军工程大学