최적화 문제에서 GA를 사용하는 편리함은 직접 검색에 비해 최적을 결정하는 데 필요한 FF 실행 횟수를 줄이는 데 있습니다.
권장 사항을 따르면
를 따르면 인수가 1000개인 문제의 경우 의 경우 11000명의 모집단 규모가 필요합니다! 그리고 그것은 단 한 번의 에포크에서 11000번의 FF 실행입니다! 무작위 유전자 생성을 사용할 수 있으며 결과는 최적을 찾는 데 크게 열등하지 않습니다. 주어진 출처는 대규모 인구에서 각 에포크에서 개선을 향해 인구를 더욱 발전시키기에 충분한 유전 물질이있을 것이라고 "내기"합니다. 나는 동일한 것을 달성하려고 노력하고 있지만 FF 실행의 총 증가없이 유전 연산자로 확률을 재생하는 비용을 희생합니다.
솔직히 1000개의 인수에 대한 문제는 상상할 수 없었습니다. 신경망을 훈련하는 알고리즘을 사용하는데, 일반적으로 3 계층이면 충분하지만 5 계층이라고 가정하면 입력이 5 계층의 경우 14 개 변수이고 3 계층의 경우 17 개 변수입니다 !!!! 거기에 무엇을 넣을 수 있을까요?!
Rich: 솔직히 인수가 1000개라는 것은 상상할 수 없었습니다. 저는 알고리즘을 사용하여 신경망을 훈련시키는데, 보통 3개 레이어면 충분하지만 5개 레이어라고 가정하면 입력은 5개 레이어의 경우 14개 변수, 3개 레이어의 경우 17개 변수입니다!!!!. 거기에 무엇을 넣을 수 있을까요?
쉽습니다.
다음은 2개의 숨겨진 레이어가 있는 4계층 네트워크에 대해 최적화 가능한 파라미터의 수입니다(예: 이 네트워크의 경우 10-40-40-40-1):
10*40+40+40+40+40*40+40+40+40+40*1+1=2121 (40+40+1=81개의 뉴런에 대한 뉴런의 가중치 및 그 시프트).
여기서 고려되는 연속 유전자가있는 알고리즘에서 단계와 같은 매개 변수는 의미가 없다는 것이 밝혀졌습니다. 결과가 미리 알려져 있고 인수를 찾아야하는 경우에만 정확성에 대해 이야기 할 수 있습니다.
정확히 맞습니다. 유전자 사이의 거리가 충분히 크면 단계가 커지고 유전자가 가까워지면 단계의 개념 자체가 사용되지 않고 솔루션을 찾아야하는 정확도 때문에 단계가 자동으로 감소합니다. 유전자 사이의 거리는 항상 무작위 기간으로 나눈 값이며 상수 32768입니다. 결과 숫자가 조건부 단계가 됩니다.
결과조차도 알려지지 않은 경우 필요한 정밀도의 솔루션을 가정 할 수 있으므로 솔루션을 검색하는 데 필요한 단계를 지정하는 것이 알려지지 않은 공간보다 쉽습니다.
어떤 기준과 얼마나 많은 자손을 죽여야하는지 . 얼마나 많은 부모와 자손이 최적화 된 매개 변수의 수에 따라 얼마나 많은 부모와 자손이 있어야합니다 .어떤 에포크 근친상간이 허용 될 수 있습니다 . 일반적으로 부모를 죽이는 원칙에 대해 명확하지 않습니다 .불행히도 당신의 노동은 내 목적에 적합하지 않지만 브러시로 많은 감사합니다 .
... 하지만 위쪽 루프에는 +1이 할당되어 있으므로 -1을 뺀 다음 ...
그게 개가있는 곳입니다 !!! 그리고 나는 어떻게 그렇게 생각합니다-이 기사는 이미 1 년이 지났고 모든 것이 작동하고 아무도 불평하지 않습니다 ... 기사에 다시 한번 감사드립니다 ... 그리고 설명을 위해 :)
joo안녕하세요. 지그재그가 마음에 들지만 양초가 많으면 속도가 느립니다. 품질 손실없이 가속을 얻을 수 있습니까?
죄송하지만 저는 이 인디케이터의 작성자가 아닙니다.
이 지표의 토론 페이지를 참조하세요.
인용된 출처의 능력에 대해서는 이의를 제기하지 않겠지만, 저는 동의하지 않습니다.
최적화 문제에서 GA를 사용하는 편리함은 직접 검색에 비해 최적을 결정하는 데 필요한 FF 실행 횟수를 줄이는 데 있습니다.
권장 사항을 따르면
를 따르면 인수가 1000개인 문제의 경우 의 경우 11000명의 모집단 규모가 필요합니다! 그리고 그것은 단 한 번의 에포크에서 11000번의 FF 실행입니다! 무작위 유전자 생성을 사용할 수 있으며 결과는 최적을 찾는 데 크게 열등하지 않습니다. 주어진 출처는 대규모 인구에서 각 에포크에서 개선을 향해 인구를 더욱 발전시키기에 충분한 유전 물질이있을 것이라고 "내기"합니다. 나는 동일한 것을 달성하려고 노력하고 있지만 FF 실행의 총 증가없이 유전 연산자로 확률을 재생하는 비용을 희생합니다.
솔직히 인수가 1000개라는 것은 상상할 수 없었습니다. 저는 알고리즘을 사용하여 신경망을 훈련시키는데, 보통 3개 레이어면 충분하지만 5개 레이어라고 가정하면 입력은 5개 레이어의 경우 14개 변수, 3개 레이어의 경우 17개 변수입니다!!!!. 거기에 무엇을 넣을 수 있을까요?
쉽습니다.
다음은 2개의 숨겨진 레이어가 있는 4계층 네트워크에 대해 최적화 가능한 파라미터의 수입니다(예: 이 네트워크의 경우 10-40-40-40-1):
10*40+40+40+40+40*40+40+40+40+40*1+1=2121 (40+40+1=81개의 뉴런에 대한 뉴런의 가중치 및 그 시프트).
보시다시피, 비교적 작은 네트워크에 2121개의 파라미터를 최적화해야 합니다.
이 라이브러리를 사용하여 MT가 하는 방식처럼 전문가 어드바이저를 최적화하는 방법을 예시로 게시할 수 있나요?
저에게 큰 도움이 될 것입니다.
감사합니다
이 라이브러리를 사용하여 MT와 같은 방식으로 전문가 조언자를 최적화하는 방법을 예제로 게시할 수 있나요?
저에게 큰 도움이 될 것입니다.
감사합니다
나는 불행히도 그럴 시간이없고 자극....
어쩌면 나중에.
죄송하지만 저는 약간 멍청합니다.
여기서 고려되는 연속 유전자가있는 알고리즘에서 단계와 같은 매개 변수는 의미가 없다는 것이 밝혀졌습니다. 결과가 미리 알려져 있고 인수를 찾아야하는 경우에만 정확성에 대해 이야기 할 수 있습니다.
...
여기서 고려되는 연속 유전자가있는 알고리즘에서 단계와 같은 매개 변수는 의미가 없다는 것이 밝혀졌습니다. 결과가 미리 알려져 있고 인수를 찾아야하는 경우에만 정확성에 대해 이야기 할 수 있습니다.
정확히 맞습니다. 유전자 사이의 거리가 충분히 크면 단계가 커지고 유전자가 가까워지면 단계의 개념 자체가 사용되지 않고 솔루션을 찾아야하는 정확도 때문에 단계가 자동으로 감소합니다. 유전자 사이의 거리는 항상 무작위 기간으로 나눈 값이며 상수 32768입니다. 결과 숫자가 조건부 단계가 됩니다.
결과조차도 알려지지 않은 경우 필요한 정밀도의 솔루션을 가정 할 수 있으므로 솔루션을 검색하는 데 필요한 단계를 지정하는 것이 알려지지 않은 공간보다 쉽습니다.