使用DeepEvolve，通过遗传算法可高效发掘神经网络的超参数

深度进化 如今，训练神经网络相对容易，但是仍然很难弄清楚要使用哪些网络体系结构和其他超参数-例如，多少神经元，多少层以及哪些激活功能？ 从长远来看，当然，神经网络将学习如何在没有人工干预的情况下构造自己。 在此之前，开发应用程序优化的神经网络的速度将受到选择和完善超参数所需的时间和专业知识的限制。 DeepEvolve旨在通过针对特定数据集和分类问题快速返回良好的超参数来帮助解决此问题。 该代码支持MLP（即完全连接的网络）和卷积神经网络的超参数发现。 如果您有无限的时间和无限的计算资源，则可以强行解决问题，只需比较和对比所有参数组合即可。 但是，在神经网络的大多数实际应用中，您可能必须权衡竞争的需求（时间，成本，在动态环境中不断优化AI性能的愿望），并且出于某种原因，您可能强烈希望能够快速为各种数据集生成良好的网络。 在这种情况下，遗传算法将很有用。 遗传算法 遗传算法可用于解决复杂的