9、深度学习与机器学习中的进化计算方法

深度学习与机器学习中的进化计算方法

在深度学习和机器学习领域，进化计算方法正发挥着越来越重要的作用。本文将介绍几种利用进化优化的深度神经网络方法，以及机器学习增强进化计算的方法。

进化优化的深度神经网络

不同网络的识别错误率比较

为了直观了解不同深度神经网络的性能，下面给出了一些常见网络的Top - 1和Top - 5识别错误率，以及参数数量的对比：
| 网络名称 | Top - 1（%） | Top - 5（%） | # Paras. |
| — | — | — | — |
| AlexNet | 42.6 | 19.6 | 62M |
| GoogLeNet | 34.2 | 12.9 | 13M |
| VGGNet - 16 | 28.5 | 9.9 | 138M |
| VGGNet - 19 | 28.7 | 9.9 | 144M |
| GeNet#1 | 28.12 | 9.95 | 156M |
| GeNet#2 | 27.87 | 9.74 | 156M |

从这个表格可以看出，不同网络在识别错误率和参数数量上存在较大差异。例如，AlexNet的错误率相对较高，而GoogLeNet在参数数量较少的情况下，也能取得较好的识别效果。

基于遗传编程的分层特征构建

Suganuma等人提出了一种通过进化计算优化两种处理方式来进行特征构建识别的方法：
1. 现有图像处理滤波器组合的图像转换 ：利用现有的图像处理滤波器对图像进行转换。
2. 通过CG