基于贝叶斯优化和迁移学习的 CNN 算法研究

来源：计算机技术与发展杂志2022年第S2期北京时间：

作者：俞圳韬;刘万里;杨晓辉;黄玉珍;徐雷;夏吉安

单位：1. 南京理工大学 计算机科学与工程学院,江苏 南京 210094;2. 南京市中西医结合医院,江苏 南京 210014;3. 南京工业职业技术大学,江苏 南京 210023

摘要：随着深度学习的快速发展,深层次的卷积神经网络在图像识别领域获得了广泛的应用,但是在实际应用中,越深的卷积神经网络在拥有强大拟合能力和优越性能的同时,也存在模型难以训练、耗费时间较长的问题。 为了解决这个问题,提出使用贝叶斯优化算法对卷积神经网络的超参数进行优化,在不断的迭代过程中,得到超参数向量的最优解,然后使用最优解参数对神经网络进行训练验证,生成最优分类模型。 另外,为了避免每次迭代对网络权重参数的大幅度调整,网络模型架构底层使用了 VGG-16 进行迁移学习,这大大缩短了一次迭代网络收敛的时间。 实验在数据集 MNIST 和CIFAR-10 上展开,根据实验结果可知,在不牺牲图像分类模型准确率的前提下,使用贝叶斯优化算法只需要进行少数几次迭代就可以搜索到神经网络超参数的最优解,大大节省了生成最优分类模型的时间和 GPU 资源。

关键词：图像识别;卷积神经网络;迁移学习;贝叶斯优化算法;VGG-16