文献类型：期刊文章

作　　者：邓帅[1,2]

Deng Shuai(Beijing Advanced Innovation Center for Future Internet Technology,Beijing University of Technology,Beijing 100124,China;Beijing Engineering Research Center for IoT Software & Systems,Beijing University of Technology,Beijing 100124,China)

机构地区：[1]北京工业大学北京未来网络科技高精尖创新中心 [2]北京工业大学北京市物联网软件与系统工程技术研究中心

出　　处：《计算机应用研究》

基　　金：北京市自然科学基金资助项目(4122010);国家自然科学基金资助项目(60773186)

年　　份：2019

卷　　号：36

期　　号：7

起止页码：1984-1987

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：CNN框架中,如何对其模型的超参数进行自动化获取一直是一个重要问题。提出一种基于改进的贝叶斯优化算法的CNN超参数优化方法。该方法使用改进的汤普森采样方法作为采集函数,利用改进的马尔可夫链蒙特卡罗算法加速训练高斯代理模型。该方法可以在超参数空间不同的CNN框架下进行超参数优化。利用CIFAR-10、MRBI和SVHN测试集对算法进行性能测试,实验结果表明,改进后的CNN超参数优化算法比同类超参数优化算法具有更好的性能。

关 键 词：贝叶斯优化  卷积神经网络 高斯过程 超参数优化  

分 类 号：TP181]