| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第11-15页 |
| 1.1 研究背景 | 第11页 |
| 1.2 相关研究 | 第11-14页 |
| 1.2.1 神经网络结构自动化设计 | 第11-13页 |
| 1.2.2 神经网络结构代价优化 | 第13-14页 |
| 1.3 本文结构 | 第14-15页 |
| 第2章 基于强化学习的卷积网结构自动化设计 | 第15-31页 |
| 2.1 卷积神经网简介 | 第15-19页 |
| 2.1.1 卷积网主要结构超参数 | 第15-16页 |
| 2.1.2 经典卷积网结构 | 第16-19页 |
| 2.2 强化学习简介 | 第19-20页 |
| 2.3 基于Q学习方法 | 第20-24页 |
| 2.3.1 Q学习算法 | 第20-21页 |
| 2.3.2 基本原理 | 第21-24页 |
| 2.4 基于策略梯度方法 | 第24-26页 |
| 2.4.1 策略梯度算法 | 第24-25页 |
| 2.4.2 基本原理 | 第25-26页 |
| 2.5 提升训练效率方法 | 第26-27页 |
| 2.6 不同方法对比分析 | 第27-31页 |
| 第3章 限定代价下卷积网结构自动化设计 | 第31-35页 |
| 3.1 BSN方法 | 第31-33页 |
| 3.1.1 定义搜索空间 | 第31页 |
| 3.1.2 采样网络结构 | 第31-32页 |
| 3.1.3 参数训练 | 第32-33页 |
| 3.2 BSN缺点及改进方向 | 第33-35页 |
| 第4章 一种基于策略梯度的限定代价下卷积网结构自动化设计方法 | 第35-49页 |
| 4.1 基本原理 | 第35-42页 |
| 4.1.1 采样网络结构并训练 | 第37-39页 |
| 4.1.2 计算即时奖励 | 第39页 |
| 4.1.3 训练代理 | 第39-40页 |
| 4.1.4 B-ENAS伪代码 | 第40-42页 |
| 4.2实验 | 第42-45页 |
| 4.2.1 实验设置 | 第42-44页 |
| 4.2.2 实验结果 | 第44-45页 |
| 4.3 讨论 | 第45-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 本文工作总结 | 第49-50页 |
| 5.2 未来工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第57页 |