CN112381226B - 一种基于粒子群算法的深度卷积神经网络架构搜索方法 - Google Patents
一种基于粒子群算法的深度卷积神经网络架构搜索方法 Download PDFInfo
- Publication number
- CN112381226B CN112381226B CN202011281112.0A CN202011281112A CN112381226B CN 112381226 B CN112381226 B CN 112381226B CN 202011281112 A CN202011281112 A CN 202011281112A CN 112381226 B CN112381226 B CN 112381226B
- Authority
- CN
- China
- Prior art keywords
- network architecture
- neural network
- convolutional neural
- particle
- particles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于粒子群算法的深度卷积神经网络架构搜索方法,包括以下:构建基于结构块的卷积神经网络架构;构建形状为(2,8,2)的三维数组,将所述卷积神经网络架构编码为粒子;根据粒子在图像验证集上的分类精度计算粒子的适应值,得到粒子个体历史最优解pBest和粒子种群历史最优解gBest;根据粒子个体历史最优解pBest和粒子种群历史最优解gBest,更新粒子群,达到迭代次数后得到最优的卷积神经网络架构。本发明提供的有益效果是:提出了一种新颖的直接编码策略,将网络架构编码为粒子,利用粒子群算法自动搜索最佳网络架构,实现深度卷积神经网络架构的自动设计。
Description
技术领域
本发明涉及神经网络领域,尤其涉及一种基于粒子群算法的深度卷积神经网络架构搜索方法。
背景技术
卷积神经网络作为最重要的深度学习模型之一,由于具有良好的特征提取能力和泛化能力,在图像处理、目标跟踪与检测、自然语言处理、场景分类、人脸识别、音频检索、医疗诊断诸多领域获得了巨大成功。但是人工设计卷积神经网络需要考虑层间的连接方式、网络的深度、卷积计算方式等大量的影响因素,同时需要根据模型的性能不断的调整网络的结构。不仅需要设计者具有丰富的专业知识和领域知识,同时非常依赖设计者的经验,需要耗费大量的训练时间和计算资源评估神经网络的性能。因此人工设计卷积神经网络需要大量的时间、人力和物力。
发明内容
有鉴于此,为了解决现有技术中的不足,本发明提出一种基于粒子群算法的深度卷积神经网络架构搜索方法。本发明主要解决人工设计的卷积神经网络需要经验丰富的专业人员设计和大量计算及时间的问题。
首先,构建基于块结构卷积神经网络架构的搜索空间。然后,设计一种新颖的直接编码策略,将网络架构编码为粒子。最后,粒子群算法用做从粒子群中搜索最佳网络架构的搜索策略,其中粒子群算法作为演化算法的一种,是基于种群的全局优化算法,能比梯度下降法搜索到相对全局最优的解。并在两个图像数据集上的进行图像分类实验。
本发明提出的一种基于粒子群算法的深度卷积神经网络架构搜索方法,具体包括以下:
S101:构建基于结构块的卷积神经网络架构;
S102:构建形状为(2,8,2)的三维数组,将所述卷积神经网络架构编码为粒子;
S103:根据粒子在图像验证集上的分类精度计算粒子的适应值,得到粒子个体历史最优解和粒子种群历史最优解;
S104:根据所述粒子个体历史最优解和粒子种群历史最优解,更新粒子群,并判断是否达到终止条件,若是,则得到最优的卷积神经网络架构,否则跳转至步骤S103。
本发明提供的有益效果是:提出了一种新颖的直接编码策略,将网络架构编码为粒子,利用粒子群算法自动搜索最佳网络架构,实现深度卷积神经网络架构的自动设计。
附图说明
图1是本发明一种基于粒子群算法的深度卷积神经网络架构搜索方法流程图;
图2是卷积神经网络架构图;.
图3是卷积神经网络架构的一个实施例;
图4是本发明对一个正常块编码示意图;
图5是一个元素更新过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,一种基于粒子群算法的深度卷积神经网络架构搜索方法,包括以下:
S101:构建基于结构块的卷积神经网络架构;
请参考图2,图2是卷积神经网络架构图;每个卷积神经网络(Network)架构都由3个块(cell)组成,其中有2个正常块(normal cell)和1个降维块(reduction cell)。每一个cell(对应图2中cell k,cell k表示任意一个块)由2个输入节点(input nodes),4个中间节点(intermediate nodes)和1个输出节点(outputnodes)的有序序列组成。
两个输入节点(input nodes)分别为前两个块(cell k-1,cell k-2)中的两个输出节点的输出,输出节点的由4个中间节点级联(concat)输出,而每个中间节点的输出由此节点之前的两个任意节点(operation1、operation2)经过运算之和,将每次的运算节点和运算类型视作一个元素,具体的运算类型都放入名为OP的列表中,以便为将卷积神经网络架构编码为粒子做准备。
为进一步对卷积神经网络架构进行解释说明,请参考图3,图3是卷积神经网络架构的一个实施例;
图3中,高光谱图像作为输入为第一个块的两个节点的输入,第二块的两个输入节点的输入为高光谱图像和第一个块的输出,第三个块为第一个块的输出和第二个块的输出。上图中展示的是包含2个中间节点的示意图,中间节点0的输入即操作节点可以从S0和S1中任意选择,中间节点1的输入可以从S0、S1和中间节点0中任意选择。
S102:构建形状为(2,8,2)的三维数组,将所述卷积神经网络架构编码为粒子;
本发明设计了一种编码策略将卷积神经网络架构编码为粒子;编码策略是粒子群初始化的核心。
关于粒子群算法,也称粒子群优化算法(Particle Swarm Optimization,PSO)。PSO是模拟鸟群随机搜寻食物的捕食行为。在PSO中每个优化问题的潜在解都可以想象成搜索空间的一只鸟,称之为“粒子”。
粒子主要追随当前的最优粒子在解空间中搜索,PSO初始化为一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪2个极值来更新自己:第一个就是粒子本身所找到的历史最优解,这个解称为个体极值;另一个极值是整个种群目前找到的历史最优解,这个极值是全局极值。
本发明实施例中,编码策略具体如下:首先,构建形状为(2,8,2)的数组,
数组第一维代表卷积神经网络架构两种类型的块,分别为正常块(normal cell)和降维块(reduction cell);
数组的第二维表示每个块中的4个中间节点的8个元素;
数组的第三维由运算类型在OP中所对应的索引和运算的节点组成。
根据设计的编码策略,进行粒子群的初始化,成功将卷积神经网络架构编码为粒子。
请参考图4,图4是本发明对一个正常块编码示意图。图4中给出OP为
OP=['none','max_pool_3x3','avg_pool_3x3','skip_connect','sep_conv_3x3','sep_conv_5x5','dil_conv_3x3','dil_conv_5x5]
无论是操作的索引和节点的编号都是从0开始的。
因为两个输入节点和输出节点是固定的,只有4个中间节点的操作是不固定的,实质我们要搜索的就是这4个中间节点的操作类型和操作节点,每个中间节点是2个操作的和,所以根据4中间节点的顺序,就编码为8个操作。
例如图4所示,操作[2,1]和[4,0]是中间节点0的两个操作,[2,1]对应到OP中是使用'avg_pool_3x1'对输入节点1操作,[4,0]对应到OP中是使用'sep_conv_3x3'对0节点进行操作。
中间节点0操作结束,具有输出数据,给其之后的节点做输入数据源,它在整个块为的节点为第2个节点。[3,2]和[6,0]为中间节点1的操作,[3,2]对应到OP中是使用'skip_connect'对节点2(即中间节点0)进行操作。[6,0]对应到OP中是使用'dil_conv_3x3'对节点0进行操作。后续操作过程同上,这里不再进行赘述。
S103:根据粒子在图像验证集上的分类精度计算粒子的适应值,得到粒子个体历史最优解和粒子种群历史最优解;
S104:根据所述粒子本身最优解和粒子种群当前最优解,更新粒子群,并判断是否达到终止条件,若是,则得到最优的卷积神经网络架构,否则跳转至步骤S103。
更新粒子群的具体公式如下:
vi,j(t+1)=wvi,j(t)+cprp(pBest-xi,j(t))+cgrg(gBest-xi,j(t))
xi,j(t+1)=xi,j(t)+vi,j(t+1)
上式中,vi,j(t+1)表示第i个粒子更新后的速度,w为惯性常量;vi,j(t)表示第i个粒子当前的速度;pBest为粒子本身最优解;gBest为粒子种群当前最优解;cp、cg是预先设置的常数,分别表示粒子接近pBest和gBest的粒子权重;rp、rg是[0,1)中的随机数;xi,j(t+1)表示第i个粒子更新后的位置;xi,j(t)表示第i个粒子当前的位置。
在传统的粒子群更新过程中,是对连续变量的更新,比如粒子群更新公式中的pBest-xi,j(t),但在本发明实施例中,卷积神经网络架构是非连续变量,是离散变量,因此采用了特定的编码形式,将卷积神经网络编码成粒子。
在本实施例中采用替换的概念,粒子的更新不是基于传统粒子群算法的位置、速度,而是采用本发明定义的元素的概念(元素在前文已经提到),进一步地,解释为基于粒子的元素来对粒子进行更新。
两个粒子之间比较,通过最小单位「元素」逐个比较。借用粒子群算法更新公式里的(pBest–x(t)),个体历史最优与当前粒子的差,重新对两个粒子的差进行了设计,因而是基于元素进行更新的,所以比较元素之差。
对于两元素P1和P2之差,如果元素相同,则元素之差为None代表没有差异;否则,元素之差为元素P1。
粒子群算法粒子有速度概念,根据实际问题,本发明仍然是基于元素来定义。
给定元素P的速度计算,根据常数因子cg和[0,1)的随机数r从元素gBest和P之差与pBest和P之差中选择,如果r≤cg,则元素P的速度为(gBest-P);否则,(pBest-P)。
最终是整个粒子的更新需要粒子之差和速度,因为是基于元素进行更新的,所以需要求的是元素之差和元素速度。
如原始粒子群算法的更新公式所示,在更新给定的粒子之前,本实施例需要计算两个粒子之间的差和给定粒子的速度。两粒子之差和给定粒子速度的求解是基于粒子中元素,给定粒子的元素进行逐个更新后达到粒子的更新,将求解两粒子之差和给定粒子速度的问题转换为求解两元素之差和给定元素速度。在两个粒子中索引相同的两元素之差(E1-E2)的计算设计为,对两元素进行比较,如果两元素相同,则两元素之差为None,代表没有差异;否则,元素之差为元素E1。给定元素P_E(particle element的缩写)的速度计算根据常数因子cg和[0,1)的随机数从r(gBest_E–P_E)与(pBest_E–P_E)中选择,如果r≤cg,则元素P_E的速度为(gBest_E–P_E);否则,(pBest_E–P_E)。
待更新粒子中的每一个元素的更新流程大致如下:
求解(gBest_E–P_E)和(pBest_E–P_E),
求解待更新元素P_E的速度,
.给定元素P-E根据其速度进行更新,如果速度为None,则保持不变,否则用速度将其替换。粒子中所有元素逐个实现更新后,粒子达到最终的更新。
其实质为:
粒子的更新转化为对粒子中的元素进行逐个更新,个体历史最优pBest和种群历史最优gBest能获得好的适应值,待更新粒子与其逐个元素做比较,如果相同则保持不变,如果不同,则认为pBest或gBest中的该索引元素比待更新粒子的该索引元素优秀,则根据一定的概率从中选择替换。
请参考图5,图5是一个元素更新过程示意图。
图5分为3个步骤,(1)先求P与两个最优值求差值,(2)然后根据两个差值求出速度,(3)最后根据速度进行更新。
本图中的这个元素根据常数因子Cg和随机变量r的大小,速度是从P和gBest的差值中取得的,所以最后是pBest的元素替换了P;
如果是另一种情况,Cg<r,那么速度会从P和pBest的差值中取得,本例中是None,表示的是元素保持不变。待更新粒子中的每个元素经过这样逐个更新,最后所有元素更新结束,粒子也就更新完成。
以上仅为解释本发明用,并不用以进行限制。
本发明提供的有益效果是:提出了一种新颖的直接编码策略,将网络架构编码为粒子,利用粒子群算法从粒子群中搜索最佳网络架构。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:具体包括以下步骤:
S101:构建基于结构块的卷积神经网络架构;
S102:构建形状为(2,8,2)的三维数组,将所述卷积神经网络架构编码为粒子;
数组第一维代表卷积神经网络架构两种类型的块,分别为正常块和降维块;
数组的第二维表示每个块中的4个中间节点的8个元素;
数组的第三维由运算类型在OP中所对应的索引和运算的节点组成;
S103:根据粒子在图像验证集上的分类精度计算粒子的适应值,得到粒子个体历史最优解pBest和粒子种群历史最优解gBest;
S104:根据粒子个体历史最优解pBest和粒子种群历史最优解gBest,更新粒子群,并判断是否达到终止条件,若是,则得到最优的卷积神经网络架构,否则跳转至步骤S103。
2.如权利要求1所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:所述基于结构块的卷积神经网络架构,由三个块组成,包括两个正常块和一个降维块。
3.如权利要求2所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:每个块由两个输入节点、四个中间节点、一个输出节点的有序序列组成。
4.如权利要求3所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:
所述两个输入节点的输入分别为当前块的前一个块、前二个块输出节点的输出;
每个中间节点的输出由该中间节点之前的任意两个节点经过运算之和的输出;
所述输出节点的输出为四个中间节点的级联输出。
5.如权利要求4所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:
步骤S102中,所述形状为(2,8,2)的三维数组,具体含义为:
三维数组的第一维,表示2种块,分别为正常块和降维块;
三维数组的第二维,表示每个块中,四个中间节点对应的8个元素,每个元素在数组中具有索引;
每个所述元素,由对应中间节点输出过程中运算节点和运算节点之间的运算类型共同构成;所述运算类型存放于运算操作OP列表中;
三维数组的第三维,表示运算类型在OP列表中的索引和对应的运算节点。
6.如权利要求5所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:步骤S104更新粒子群时,策略为基于粒子中的元素更新,其具体为:
将粒子的更新转化为对粒子中的元素进行逐个更新;
逐个求解两个粒子的元素E1与E2之差E1-E2;
逐个求待更新元素的速度;
粒子中所有元素基于元素之差和给定元素速度逐个完成更新,最终达到粒子更新。
7.如权利要求6所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:所述两个粒子的元素E1与E2之差,具体为,如果元素E1、E2相同,则元素之差为None,表示两个元素没有差异,否则元素之差为E1。
8.如权利要求7所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:所述给定元素速度,其计算过程具体为:
根据[0,1)之间的随机数r与预设的常数因子cg之间的大小关系,从给定元素P_E与粒子个体历史最优解pBest和粒子种群历史最优解gBest相同索引的的元素之差gBest_E-P_E和pBest_E-P_E中选择;
若[0,1)之间的随机数r小于等于预设的常数因子cg,则给定元素P_E的速度为gBest_E-P_E;否则,元素P的速度为pBest_E-P_E。
9.如权利要求8所述的基于粒子群算法的深度卷积神经网络架构搜索方法,其特征在于:粒子中所有元素基于元素之差和给定元素速度逐个完成更新,最终达到粒子更新,具体过程为:
S201:对于任一粒子P,逐个求解P与粒子个体历史最优解pBest和粒子种群历史最优解gBest相同索引的元素之差,分别为gBest_E-P_E和pBest_E-P_E;
S202:根据[0,1)之间的随机数r与预设的常数因子cg之间的大小关系,得到待更新元素P_E的速度;
若[0,1)之间的随机数r小于等于预设的常数因子cg,则给定元素P_E的速度为gBest_E-P_E;否则,为pBest_E-P_E;
S203:根据待更新元素P_E的速度,对元素P_E进行更新,如果其速度为None,则元素P_E保持不变,否则用其速度将其替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281112.0A CN112381226B (zh) | 2020-11-16 | 2020-11-16 | 一种基于粒子群算法的深度卷积神经网络架构搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281112.0A CN112381226B (zh) | 2020-11-16 | 2020-11-16 | 一种基于粒子群算法的深度卷积神经网络架构搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381226A CN112381226A (zh) | 2021-02-19 |
CN112381226B true CN112381226B (zh) | 2022-07-19 |
Family
ID=74584817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011281112.0A Active CN112381226B (zh) | 2020-11-16 | 2020-11-16 | 一种基于粒子群算法的深度卷积神经网络架构搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381226B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344961A (zh) * | 2018-09-04 | 2019-02-15 | 华南理工大学 | 一种基于pso的权值直接确定神经网络结构优化方法 |
CN110211109A (zh) * | 2019-05-30 | 2019-09-06 | 西安电子科技大学 | 基于深度神经网络结构寻优的图像变化检测方法 |
CN111898689A (zh) * | 2020-08-05 | 2020-11-06 | 中南大学 | 一种基于神经网络架构搜索的图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889487A (zh) * | 2018-09-10 | 2020-03-17 | 富士通株式会社 | 神经网络架构搜索装置和方法及计算机可读记录介质 |
-
2020
- 2020-11-16 CN CN202011281112.0A patent/CN112381226B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344961A (zh) * | 2018-09-04 | 2019-02-15 | 华南理工大学 | 一种基于pso的权值直接确定神经网络结构优化方法 |
CN110211109A (zh) * | 2019-05-30 | 2019-09-06 | 西安电子科技大学 | 基于深度神经网络结构寻优的图像变化检测方法 |
CN111898689A (zh) * | 2020-08-05 | 2020-11-06 | 中南大学 | 一种基于神经网络架构搜索的图像分类方法 |
Non-Patent Citations (2)
Title |
---|
基于改进粒子群算法优化神经网络结构和权值;王小会等;《青海师范大学学报(自然科学版)》;20200315(第01期);全文 * |
混合粒子群优化算法优化前向神经网络结构和参数;唐贤伦等;《计算机应用研究》;20071215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381226A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200034713A1 (en) | Accelerated tr-l-bfgs algorithm for neural network | |
CN111898689B (zh) | 一种基于神经网络架构搜索的图像分类方法 | |
WO2022252455A1 (en) | Methods and systems for training graph neural network using supervised contrastive learning | |
CN111612134A (zh) | 神经网络结构搜索方法、装置、电子设备及存储介质 | |
CN111459988B (zh) | 一种机器学习流水线自动化设计的方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN115860081B (zh) | 一种芯粒算法调度方法、系统、电子设备及存储介质 | |
CN111967271A (zh) | 分析结果的生成方法、装置、设备及可读存储介质 | |
CN114091650A (zh) | 一种深度卷积神经网络架构的搜索方法和应用 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
CN115952424A (zh) | 一种基于多视图结构的图卷积神经网络聚类方法 | |
CN113360670B (zh) | 一种基于事实上下文的知识图谱补全方法及系统 | |
Sood et al. | Neunets: An automated synthesis engine for neural network design | |
CN112381226B (zh) | 一种基于粒子群算法的深度卷积神经网络架构搜索方法 | |
CN117370650A (zh) | 基于服务组合超图卷积网络的云计算数据推荐方法 | |
CN115599918B (zh) | 一种基于图增强的互学习文本分类方法及系统 | |
CN114997360B (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
AU2021103314A4 (en) | Remote sensing image scene classification method based on deep neural network automatic learning | |
CN114037051A (zh) | 一种基于决策边界的深度学习模型压缩方法 | |
CN117133116B (zh) | 一种基于时空关联网络的交通流预测方法及系统 | |
CN113743168B (zh) | 一种基于可微深度神经网络搜索的城市飞行物识别方法 | |
CN114936296B (zh) | 超大规模知识图谱存储的索引方法、系统及计算机设备 | |
CN117218409A (zh) | 图像分类网络架构设计方法、装置、设备和介质 | |
CN118153633A (zh) | 一种改进的cnn架构优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |