cost2fitness

cost2fitness

แพ็คเกจ PYPI สำหรับค่าต้นทุนการแปลง (น้อยกว่าดีกว่า) สำหรับค่าการออกกำลังกาย (มากกว่านั้นดีกว่า) และในทางกลับกัน

 pip install cost2fitness

• cost2fitness
  • เกี่ยวกับ
  • หม้อแปลงไฟฟ้า
  • ไปป์ไลน์ของหม้อแปลง
  • วิธีการพล็อต
  • ตัวอย่างที่มีการวางแผน
    • แต่ละหม้อแปลง
    • ท่อส่ง
  • เครื่องมือเน็ตประสาท
    • ชั้น
    • ผู้ช่วย
    • ตัวอย่าง

เกี่ยวกับ

นี่คือแพ็คเกจที่มีหลายวิธีสำหรับการแปลงอาร์เรย์ NumPy ขึ้นอยู่กับเครื่องชั่งค่าเฉลี่ยและอื่น ๆ แต่วิธีหลักในการใช้คือการแปลงจากค่าต้นทุน (น้อยกว่า) ไปยังค่าความฟิต (มากกว่านั้นดีกว่า) และในทางกลับกัน มันจะเป็นประโยชน์อย่างมากเมื่อคุณใช้

• อัลกอริทึมวิวัฒนาการขึ้นอยู่กับความแตกต่างของตัวเลข: ดังนั้นจึงเป็นเรื่องสำคัญที่จะต้องกำหนดคะแนนตัวอย่างที่ดีสำหรับการเลือกที่ดีขึ้น
• วิธีการสุ่มตัวอย่างที่มีความน่าจะเป็นขึ้นอยู่กับคะแนนตัวอย่าง

หม้อแปลงไฟฟ้า

มีหม้อแปลงง่ายๆหลายตัว แต่ละหม้อแปลงเป็นคลาสย่อยของคลาส BaseTransformer ที่มีฟิลด์ name และวิธี transform(array) ซึ่งแปลงอาร์เรย์อินพุตเป็นการแสดงใหม่

รายการตรวจสอบ:

• ReverseByAverage
• AntiMax
• AntiMaxPercent(percent)
• Min2Zero
• Min2Value(value)
• ProbabilityView (แปลงข้อมูลเป็นความน่าจะเป็น)
• SimplestReverse
• AlwaysOnes (ส่งคืนอาร์เรย์ของคน)
• NewAvgByMult(new_average) ,
• NewAvgByShift(new_average)
• Divider(divider_number_or_array) (หารอาร์เรย์ตามหมายเลขหรืออาร์เรย์มีประโยชน์สำหรับการเริ่มต้นเริ่มต้นใหม่)
• Argmax (ส่งคืนตำแหน่งขององค์ประกอบสูงสุดในอาร์เรย์)
• Prob2Class(threshold = 0.5) (เพื่อแปลงความน่าจะเป็นเป็นคลาส 0/1)
• ToNumber (แปลงอาร์เรย์เป็นหมายเลขหนึ่งโดยรับองค์ประกอบแรก)

คุณสามารถสร้างหม้อแปลงของคุณโดยใช้ตรรกะง่าย ๆ จากไฟล์

 import numpy as np 

from cost2fitness import Min2Zero

tf = Min2Zero ()

arr_of_scores = np . array ([ 10 , 8 , 7 , 5 , 8 , 9 , 20 , 12 , 6 , 18 ])

tf . transform ( arr_of_scores )
# array([ 5,  3,  2,  0,  3,  4, 15,  7,  1, 13]) 

ไปป์ไลน์ของหม้อแปลง

คุณยังสามารถรวมหม้อแปลงเหล่านี้โดยใช้ Pl Pipeline ตัวอย่างเช่น:

 import numpy as np 

from cost2fitness import ReverseByAverage , AntiMax , Min2Zero , Pl

pipe = Pl ([
        Min2Zero (),
        ReverseByAverage (),
        AntiMax ()        
        ])


arr_of_scores = np . array ([ 10 , 8 , 7 , 5 , 8 , 9 ])


# return each result of pipeline transformation (with input)
pipe . transform ( arr_of_scores , return_all_steps = True )
#array([[10.        ,  8.        ,  7.        ,  5.        ,  8.        ,
#         9.        ],
#       [ 5.        ,  3.        ,  2.        ,  0.        ,  3.        ,
#         4.        ],
#       [ 0.66666667,  2.66666667,  3.66666667,  5.66666667,  2.66666667,
#         1.66666667],
#       [ 5.        ,  3.        ,  2.        ,  0.        ,  3.        ,
#         4.        ]])

# return only result of transformation
pipe . transform ( arr_of_scores , return_all_steps = False )
#array([5., 3., 2., 0., 3., 4.]) 

วิธีการพล็อต

มีฟังก์ชั่น plot_scores สำหรับการพล็อตผลลัพธ์กระบวนการแปลง มันมีข้อโต้แย้ง:

• scores : 2d numpy array 2d numpy array ที่มีโครงสร้าง [start_values, first_transform(start_values), second_transform(first_transform), ...] โดยที่แต่ละวัตถุเป็น 1D-Array ของคะแนน (ค่า/ค่าใช้จ่าย/ฟิตเนส)
• names : None /รายการสตริงชื่อเสริมสำหรับแต่ละขั้นตอนสำหรับป้ายกำกับพล็อต ค่าเริ่มต้นคือ None
• kind : STR, ตัวเลือกสำหรับ 'ข้าง' คอลัมน์ใหม่แต่ละคอลัมน์จะอยู่ข้างๆก่อนหน้า; สำหรับ 'Under' จะมีพล็อตใหม่ภายใต้ก่อนหน้านี้ ค่าเริ่มต้นคือ 'ข้าง'
• save_as : None /str, เส้นทางไฟล์เสริมเพื่อบันทึกพล็อต ค่าเริ่มต้นคือ None

ตัวอย่างที่มีการวางแผน

แต่ละหม้อแปลง

รหัส

ท่อส่ง

รหัส

เครื่องมือเน็ตประสาท

ฉันได้สร้างเครื่องมือเครือข่ายประสาทขั้นพื้นฐานที่นี่เพราะจำเป็นอย่างยิ่งที่จะต้องใช้เครือข่ายง่าย ๆ กับงาน การเรียนรู้เสริมแรง บางอย่าง แต่แพ็คเกจทั่วไปเช่น Keras ทำงานช้ามากถ้าคุณต้องการเพียงแค่การทำนาย (การแพร่กระจายไปข้างหน้า) เพียง 1 ตัวอย่าง แต่หลายครั้ง ดังนั้นจะเร็วขึ้นในการใช้แพ็คเกจที่ใช้ NumPy อย่างง่ายสำหรับกรณีเหล่านี้

ชั้น

มันไม่ยากเลยที่จะใช้ตรรกะของหม้อแปลงนี้สำหรับการสร้างเครือข่ายประสาท ดังนั้นแพ็คเกจนี้จึงมีเลเยอร์เครือข่ายประสาทต่อไปเป็นหม้อแปลง:

• การเปิดใช้งาน :

  • Softmax
  • Relu
  • LeakyRelu(alpha = 0.01)
  • Sigmoid
  • Tanh
  • ArcTan
  • Swish(beta = 0.25)
  • Softplus
  • Softsign
  • Elu(alpha)
  • Selu(alpha, scale)

• เครื่องมือเลเยอร์หนาแน่น :

  • Bias(bias_len, bias_array = None) - เพื่อเพิ่มอคติที่มีความยาว bias_len หาก bias_array None ให้ใช้อคติแบบสุ่ม
  • MatrixDot(from_size, to_size, matrix_array = None)
  • NNStep(from_size, to_size, matrix_array = None, bias_array = None) - มันคือ MatrixDot และ Bias ด้วยกันถ้าคุณต้องการสร้างพวกเขาเร็วขึ้น

ผู้ช่วย

และมีวิธีการช่วยเหลือหลายวิธีในการใช้วัตถุ pipeline เช่นเครือข่ายประสาท (สำหรับ การแพร่กระจายไปข้างหน้า แน่นอน):

• วิธีการของ pipeline : วิธีการ :

  • get_shapes() - เพื่อรับรายการรูปร่างของอาร์เรย์ที่จำเป็นสำหรับ NN
  • total_weights() - รับน้ำหนักสำหรับ NN โดยรวม
  • set_weights(weights) - ตั้งน้ำหนัก (เป็นรายการอาร์เรย์ที่มีรูปร่างที่ต้องการ) สำหรับ nn

• ฟังก์ชั่นเดียว :

  • arr_to_weigths(arr, shapes) -แปลง 1D-array arr เป็นรายการอาร์เรย์ที่มีรูปร่าง shapes เพื่อวางไว้ในวิธี set_weights

ตัวอย่าง

ดูตัวอย่างที่ง่ายที่สุด