实验相关

可以参考这篇博客https://blog.csdn.net/qq_40690815/article/details/103763040

实验记录

实验1

pop_size=10evolve_time=100EPOCH=3

最优网络结构：

vertex [ 1 ].0 , 0.i_s0,N,N
vertex [ 2 ].0 , 1.i_s0,N,N , 0.i_s0,N,N
vertex [ 3 ].0 , 0.c_s0,1,1 , 1.i_s0,N,N , 2.c_s0,1,1
vertex [ 4 ].0 , 1.c_s0,1,1 , 2.c_s0,1,1 , 3.c_s0,1,1
vertex [ 5 ].0 , 2.c_s0,1,1 , 4.i_s0,N,N , 0.c_s0,1,1 , 1.c_s0,1,1
vertex [ 6 ].0 , 5.i_s0,N,N , 3.c_s0,1,1 , 0.c_s0,1,1 , 2.i_s0,N,N , 1.c_s0,1,1 [decode].[ 53 ] Model((layer_vertex): ModuleList((0): None(1): None(2): Sequential((0): BatchNorm2d(6, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(1): ReLU(inplace=True))(3): Sequential((0): BatchNorm2d(13, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(1): ReLU(inplace=True))(4): Sequential((0): BatchNorm2d(67, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(1): ReLU(inplace=True))(5): Sequential((0): BatchNorm2d(94, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)(1): ReLU(inplace=True))(6): Sequential((0): Linear(in_features=142, out_features=10, bias=True)))(layer_edge): ModuleList((0): None(1): None(2): Conv2d(3, 5, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(3): Conv2d(6, 7, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(4): Conv2d(3, 8, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(5): Conv2d(3, 3, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(6): Conv2d(13, 49, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(7): Conv2d(13, 29, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(8): None(9): Conv2d(3, 11, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(10): Conv2d(3, 10, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(11): None(12): None(13): Conv2d(6, 7, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(14): None(15): None(16): Conv2d(3, 11, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))(17): Conv2d(6, 6, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)))
)

【课程作业】EA-CNN演化卷积神经网络实验记录相关推荐

【课程作业】表达学习人脸图像复原实验记录
Face Recovery Using Sparse Representation Prepared Algorithm 范数 OMP(正交匹配跟踪算法) SVD(奇异值分解) K-SVD Exper ...
【中文】【吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第二周作业
[中文][吴恩达课后编程作业]Course 4 - 卷积神经网络 - 第二周作业 - Keras入门与残差网络的搭建上一篇:[课程4 - 第二周测验]※※※※※ [回到目录]※※※※※下一篇:[课程 ...
【深度学习】cs231n计算机视觉 CNN（卷积神经网络）
CNN(卷积神经网络)理论知识完成课程笔记:Convolutional Neural Networks for Visual Recognition的理解,便于实现CNN~ 1. 结构概述卷积神经 ...
DL之CNN：卷积神经网络算法简介之原理简介——CNN网络的3D可视化(LeNet-5为例可视化)
DL之CNN:卷积神经网络算法简介之原理简介--CNN网络的3D可视化(LeNet-5为例可视化) CNN网络的3D可视化 3D可视化地址:http://scs.ryerson.ca/~aharley ...
DL之CNN：卷积神经网络算法应用之卷积神经网络实践技巧(DA/DP/WI/BN/H/O/R)、优化技术经验之详细攻略
DL之CNN:卷积神经网络算法应用之卷积神经网络实践技巧(DA/DP/WI/BN/Hyperparameter/Overfitting/Regularization).优化技术经验之详细攻略目录卷 ...
DL之CNN：卷积神经网络算法简介之卷积矩阵、转置卷积(反卷积Transpose)、膨胀卷积(扩张卷积Dilated/带孔卷积atrous)之详细攻略
DL之CNN:卷积神经网络算法简介之卷积矩阵.转置卷积(反卷积Transpose).膨胀卷积(扩张卷积Dilated/带孔卷积atrous)之详细攻略目录卷积矩阵的简介卷积.转置卷积--Tran ...
DL之CNN：卷积神经网络算法简介之原理简介(步幅/填充/特征图)、七大层级结构(动态图详解卷积/池化+方块法理解卷积运算)、CNN各层作用及其可视化等之详细攻略
DL之CNN:卷积神经网络算法简介之原理简介(步幅/填充/特征图).七大层级结构(动态图详解卷积/池化+方块法理解卷积运算).CNN各层作用及其可视化等之详细攻略目录 CNN 的层级结构及相关概念 ...
CNN（卷积神经网络）识别图形验证码（全网最通俗易懂，最全面的讲解）
这里面大多资料均为网上参阅,参考资料过多未能记住您的文章地址望见谅,如涉及您的文章,本文未声明的即可留言,我会将您的原文地址引入. 一.前言项目代码:https://github.com/bao17 ...
Udacity机器人软件工程师课程笔记（二十七) - 卷积神经网络（CNN）
1.卷积神经网络介绍 **卷积神经网络(Convolutional Neural Network,CNN)**是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出 ...

【课程作业】EA-CNN演化卷积神经网络实验记录

large scale evaluation net -- CNN 全连接实验记录

实验相关

实验记录

实验1

【课程作业】EA-CNN演化卷积神经网络实验记录相关推荐

最新文章

热门文章