如何用自动机器学习实现神经网络进化

def evaluate(self):

"""evaluate the models."""

workerids = range(self.nb_workers)

workerpool = Scheduler(workerids, self.use_cuda )

self.population, returns = workerpool.start(self.population)

self.evaluations = returns

self.stats.append(copy.deepcopy(returns))

self.history.append(copy.deepcopy(self.population))

“进化算法”看起来异常简单，对吗？没错！这个算法可以异常成功，尤其是当你为个别定义了好的变异或跨界功能时。

按照上述步调操作运行。

"""Tournament play experiment.""" 
from __future__ import absolute_import 
import net_builder 
import gp 
import cPickle 
# Use cuda ? 
CUDA_ = True 
 
if __name__=='__main__': 
   # setup a tournament! 
   nb_evolution_steps = 10 
   tournament = \ 
       gp.TournamentOptimizer( 
           population_sz=50, 
           init_fn=net_builder.randomize_network, 
           mutate_fn=net_builder.mutate_net, 
           nb_workers=3, 
           use_cuda=True) 
 
   for i in range(nb_evolution_steps): 
       print('\nEvolution step:{}'.format(i)) 
       print('================') 
       tournament.step() 
       # keep track of the experiment results & corresponding architectures 
       name = "tourney_{}".format(i) 
       cPickle.dump(tournament.stats, open(name + '.stats','wb')) 
       cPickle.dump(tournament.history, open(name +'.pop','wb'))

不合的进化运行方法

这是50个解决筹划的得分结不雅，比赛范围为3。这些模型仅接收了10000个样本的练习，然后就被评估了。乍一看，进化算法似乎并没有起到太大年夜的感化，因为解决筹划在第一次进化中就已经接近最佳状况了；而在第七阶段，解决筹划达到了它的最佳表示。鄙人图中，我们用了一个盒式图来依次描述这些解决筹划的四分之一。我们发明，大年夜多半筹划都表示的很好，但在筹划进化的同时，这个盒式图也随之紧缩了。

筹划的分布