Hyperparameter optimization ResNet by improved Beluga Whale Optimization
Notice bibliographique
Résumé
The parameter values of neural networks will directly affect the performance of the network, so it is very important to choose the appropriate parameter tuning method to improve the performance of the neural network. In this paper, the improved beluga whale optimization hyperparameter optimization ResNet model is used to construct a new model, EBWO-ResNet. Firstly, in order to solve the problem that the initial population of the original beluga whale optimization is not rich enough, the Tent chaotic map is introduced into the beluga whale optimization, and a new algorithm EBWO is constructed. Secondly, in order to solve the problems of low accuracy and difficult parameter tuning of ResNet, the EBWO algorithm was integrated into ResNet to construct a new model EBWO-ResNet. Finally, in order to verify the effectiveness of the EBWO algorithm, the EBWO algorithm was applied to three engineering problems and compared with other five swarm intelligent algorithms, and in order to verify the effectiveness of the EBWO-ResNet model, EBWO-ResNet was applied to maize disease identification,in order to improve the accuracy of corn identification and ensure corn yield,and the other seven models were compared based on three evaluation indexes. The experimental results show that the EBWO algorithm provides the best solutions in the three engineering problems, and the EBWO-ResNet has the best performance in identifying maize diseases, with an accuracy of 96.3%,which is 0.2-1.5 percentage points higher than that of other models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».