[发明专利]一种应用于图片多属性预测的神经网络结构搜索方法

权利要求书

1.一种应用于图片多属性预测的神经网络结构搜索方法，其特征在于，包括以下步骤：

S1、获取用于训练神经网络的图片多属性预测数据集，并定义训练目标；

S2、贪心搜索最优的神经网络结构；

S3、重新训练神经网络的参数，并预测新的输入图片样本的属性。

2.如权利要求1所述的应用于图片多属性预测的神经网络结构搜索方法，其特征在于，步骤S1中，所述的用于训练神经网络的图片多属性预测数据集为含有训练数据集D_train和验证数据集D_valid的图片多属性预测数据集，指定的神经网络层数M，以及每层的神经网络单元数目B_l，l＝1，2，...，M；

定义训练目标为：预测目标样本的属性值。

3.如权利要求2所述的应用于图片多属性预测的神经网络结构搜索方法，其特征在于，步骤S2具体包括：

S21、随机初始化符合公式(1)条件的树型神经网络结构A

其中表示神经网络中第l层第i个单元和第l+1层第j个单元有连接，反之

S22、随机初始化对应A的神经网络参数W[A]；

S23、循环遍历神经网络层l＝1，2，...，M-1和每层的每个单元b＝1，2，...，B_l，记为循环S；

S24、在循环S下，依照公式(2)重置神经网络第l层的结构

S25、在循环S下，使用随机梯度下降算法在训练数据集D_train上训练神经网络结构A对应的参数W[A]；

S26、在循环S下，在验证数据集D_valid上测试属性n的预测准确率r_n，n＝1，2，...，N；

S27、依照公式(3)更新神经网络第l层的结构

公式(3)中，对于每个属性n，具有最佳预测准确率r_n的单元间连接被选中并设为有连接。除此N条被选中的连接外，第l层与第l+1层其余单元之间均设为无连接。

S28、重复上述S23、S24、S25、S26、S27步骤直到神经网络结构A和神经网络参数W[A]收敛，将收敛的神经网络结构A记为

4.如权利要求3所述的应用于图片多属性预测的神经网络结构搜索方法，其特征在于，步骤S3具体包括：

S31、合并训练数据集D_train和验证数据集D_valid为新的数据集D_trainval

S32、在数据集D_trainval上使用随机梯度下降算法训练由步骤S2得到的神经网络结构的参数

S33、对于新的输入图片样本d_test，使用神经网络结构及其参数预测其属性。