1.一种神经网络架构搜索方法，其特征在于，包括：获取初始数据集；

对所述初始数据集进行预处理，获取训练数据集；

利用所述训练数据集对预构建的分类模型进行训练；

根据遗传算法进行神经网络架构搜索，并利用经过训练的分类模型评估网络种群中个体网络的适应度；

根据适应度评估结果，获取性能优秀的神经网络；

获取初始数据集包括：

获取初始样本，并对所述初始样本进行编码；

将所述初始样本的精度作为其对应的标签；

由所述初始样本的编码和标签共同构成所述初始数据集；

所述初始样本的精度为所述神经网络对图像进行分类时的准确率，即分类正确的图像个数与进行分类的图像总数的比率；

对所述初始数据集进行预处理，获取训练数据集包括：选取所述初始数据集中任意两个编码进行配对；

根据配对后的两个编码，赋予其中一个编码数字标签1，赋予另一个编码数字标签0；

按照从四个编码中两两配对选取的方式，构建训练数据集；

利用经过训练的分类模型评估网络种群中个体网络的适应度包括：将所述适应度初始化为0；

将所述训练数据集输入至所述分类模型；

若所述分类模型的输出结果为1，则给数字标签1所对应的编码侧网络的适应度加1分；

若所述分类模型的输出结果为0，则给数字标签0所对应的编码侧网络的适应度加1分。

2.根据权利要求1所述的神经网络架构搜索方法，其特征在于，所述初始数据集包括网络结构信息和网络结构预测性能。

3.根据权利要求1所述的神经网络架构搜索方法，其特征在于，对所述初始样本进行编码包括：使用One‑hot向量表示所述初始样本的节点类型；

使用邻接矩阵表示各节点之间的连接关系；

将所述邻接矩阵的上三角矩阵碾平成一维向量，并将所述一维向量作为所述初始样本的编码。

4.一种神经网络架构搜索装置，其特征在于，包括：数据获取模块：用于获取初始数据集；

预处理模块：用于对所述初始数据集进行预处理，获取训练数据集；

模型训练模块：用于利用所述训练数据集对预构建的分类模型进行训练；

搜索模块：用于根据遗传算法进行神经网络架构搜索，并利用经过训练的分类模型评估种群中个体的适应度，获取性能优秀的深度神经网络；

获取初始数据集包括：

获取初始样本，并对所述初始样本进行编码；

将所述初始样本的精度作为其对应的标签；

由所述初始样本的编码和标签共同构成所述初始数据集；

所述初始样本的精度为所述神经网络对图像进行分类时的准确率，即分类正确的图像个数与进行分类的图像总数的比率；

对所述初始数据集进行预处理，获取训练数据集包括：选取所述初始数据集中任意两个编码进行配对；

根据配对后的两个编码，赋予其中一个编码数字标签1，赋予另一个编码数字标签0；

按照从四个编码中两两配对选取的方式，构建训练数据集；

利用经过训练的分类模型评估网络种群中个体网络的适应度包括：将所述适应度初始化为0；

将所述训练数据集输入至所述分类模型；

若所述分类模型的输出结果为1，则给数字标签1所对应的编码侧网络的适应度加1分；

若所述分类模型的输出结果为0，则给数字标签0所对应的编码侧网络的适应度加1分。

5.一种电子设备，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1 3任一项所述方法的步~骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1 3任一项所述方法的步骤。

~