Convolutional Neural Networks (CNNs) have gained a remarkable success on many image classification tasks in recent years. However, the performance of CNNs highly relies upon their architectures. For most state-of-the-art CNNs, their architectures are often manually-designed with expertise in both CNNs and the investigated problems. Therefore, it is difficult for users, who have no extended expertise in CNNs, to design optimal CNN architectures for their own image classification problems of interest. In this paper, we propose an automatic CNN architecture design method by using genetic algorithms, to effectively address the image classification tasks. The most merit of the proposed algorithm remains in its "automatic" characteristic that users do not need domain knowledge of CNNs when using the proposed algorithm, while they can still obtain a promising CNN architecture for the given images. The proposed algorithm is validated on widely used benchmark image classification datasets, by comparing to the state-of-the-art peer competitors covering eight manually-designed CNNs, seven automatic+manually tuning and five automatic CNN architecture design algorithms. The experimental results indicate the proposed algorithm outperforms the existing automatic CNN architecture design algorithms in terms of classification accuracy, parameter numbers and consumed computational resources. The proposed algorithm also shows the very comparable classification accuracy to the best one from manually-designed and automatic+manually tuning CNNs, while consumes much less of computational resource.

中文翻译：

---

使用遗传算法自动设计 CNN 架构进行图像分类

近年来，卷积神经网络 (CNN) 在许多图像分类任务上取得了显着的成功。然而，CNN 的性能高度依赖于它们的架构。对于大多数最先进的 CNN，它们的架构通常是手动设计的，并且具有 CNN 和所研究问题的专业知识。因此，对于在 CNN 方面没有扩展专业知识的用户来说，很难为自己感兴趣的图像分类问题设计最佳的 CNN 架构。在本文中，我们提出了一种使用遗传算法的自动 CNN 架构设计方法，以有效解决图像分类任务。所提出算法的最大优点仍然在于其“自动”特性，即用户在使用所提出的算法时不需要CNNs的领域知识，虽然他们仍然可以获得给定图像的有前途的 CNN 架构。通过与涵盖八个手动设计的 CNN、七个自动+手动调整和五个自动 CNN 架构设计算法的最先进的同行竞争对手进行比较，所提出的算法在广泛使用的基准图像分类数据集上得到验证。实验结果表明，所提出的算法在分类精度、参数数量和消耗的计算资源方面优于现有的自动 CNN 架构设计算法。所提出的算法还显示了与手动设计和自动+手动调整 CNN 中最好的分类精度非常相似的分类精度，同时消耗的计算资源要少得多。通过与涵盖八个手动设计的 CNN、七个自动+手动调整和五个自动 CNN 架构设计算法的最先进的同行竞争对手进行比较，所提出的算法在广泛使用的基准图像分类数据集上得到验证。实验结果表明，所提出的算法在分类精度、参数数量和消耗的计算资源方面优于现有的自动CNN架构设计算法。所提出的算法还显示了与手动设计和自动+手动调整 CNN 中最好的分类精度非常相似的分类精度，同时消耗的计算资源要少得多。通过与涵盖八个手动设计的 CNN、七个自动+手动调整和五个自动 CNN 架构设计算法的最先进的同行竞争对手进行比较，所提出的算法在广泛使用的基准图像分类数据集上得到验证。实验结果表明，所提出的算法在分类精度、参数数量和消耗的计算资源方面优于现有的自动CNN架构设计算法。所提出的算法还显示了与手动设计和自动+手动调整 CNN 中最好的分类精度非常相似的分类精度，同时消耗的计算资源要少得多。七种自动+手动调优和五种自动 CNN 架构设计算法。实验结果表明，所提出的算法在分类精度、参数数量和消耗的计算资源方面优于现有的自动CNN架构设计算法。所提出的算法还显示了与手动设计和自动+手动调整 CNN 中最好的分类精度非常相似的分类精度，同时消耗的计算资源要少得多。七种自动+手动调优和五种自动 CNN 架构设计算法。实验结果表明，所提出的算法在分类精度、参数数量和消耗的计算资源方面优于现有的自动CNN架构设计算法。所提出的算法还显示了与手动设计和自动+手动调整 CNN 中最好的分类精度非常相似的分类精度，同时消耗的计算资源要少得多。