cost2fitness

COST2FITNESS

适用于健身价值的PYPI软件包（更少）（更好）（更好），反之亦然

 pip install cost2fitness

• COST2FITNESS
  • 关于
  • 变压器
  • 变压器管道
  • 如何绘制
  • 绘图的示例
    • 每个变压器
    • 管道
  • 神经网工具
    • 层
    • 帮助者
    • 例子

关于

这是包含几种转换方法的包装numpy阵列取决于量表，平均值等。但是，使用它的主要方法是从成本值（更好的是更好）转换为健身价值（更多是更好），反之亦然。您使用时可能会有所帮助

• 进化算法取决于数字差异：因此，设置样本分数的良好表示以获得更好的选择很重要
• 概率取决于样本得分的采样方法

变压器

有几个简单的变压器。每个变压器是包含name字段和transform(array)的BaseTransformer类别的子类，该方法将输入数组转换为新表示形式。

清单：

• ReverseByAverage ，
• AntiMax ，
• AntiMaxPercent(percent) ，
• Min2Zero ，
• Min2Value(value) ，
• ProbabilityView （将数据转换为概率），
• SimplestReverse ，
• AlwaysOnes （返回一系列），
• NewAvgByMult(new_average) ，
• NewAvgByShift(new_average)
• Divider(divider_number_or_array) （将数组分配在数字或数组上，可用于固定启动归一化）
• Argmax （数组中最大元素的返回位置）
• Prob2Class(threshold = 0.5) （将概率转换为0/1类）
• ToNumber （通过获取第一个元素将数组转换为一个数字）

您可以使用文件中的简单逻辑来创建变压器。

 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]) 

变压器管道

U还可以使用Pl Pipeline结合这些变压器。例如：

 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.]) 

如何绘制

有plot_scores函数用于绘制转换过程结果。它有参数：

• scores ：2D numpy数组2D numpy数组，带有结构[start_values, first_transform(start_values), second_transform(first_transform), ...] ，其中每个对象是分数的1D阵列（值/成本/fitnesses）。
• names ： None /字符串列表，绘图标签的每个步骤的可选名称。默认值None 。
• kind ：STR， “旁边”的可选每个新列将在以前的旁边；对于“下”，将在以前的情况下有新的地块。默认值是“旁边”。
• save_as ： None /str，可选的文件路径来保存图。默认值None 。

绘图的示例

每个变压器

代码

管道

代码

神经网工具

我在这里制作了基本的神经网络工具，因为非常有必要使用一些强化学习任务使用简单的网络，但是如果您只需要预测（正向传播），则只能在1个示例中，但很多次，诸如keras之类的常见软件包工作非常慢。因此，在这些情况下使用简单的基于Numpy的软件包将更快。

层

使用此变压器逻辑来创建神经网络并不难。因此，该软件包将下一个神经网络层作为变压器：

• 激活：

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

• 密集层工具：

  • Bias(bias_len, bias_array = None) - 添加bias_len的偏差。如果bias_array None ，请使用随机偏见
  • MatrixDot(from_size, to_size, matrix_array = None)
  • NNStep(from_size, to_size, matrix_array = None, bias_array = None) Bias如果您想更快MatrixDot创建它们

帮助者

并且有几种用于使用神经网络等pipeline对象的帮助者方法（当然仅用于远期传播）：

• pipeline对象方法：

  • get_shapes() - 获取nn所需数组形状的列表
  • total_weights() - 获得整体NN的权重计数
  • set_weights(weights) - 设置权重（作为带有所需形状的数组的列表）nn

• 一个人功能：

  • arr_to_weigths(arr, shapes) - 将1D阵列arr转换为带状shapes的数组列表，将其放入set_weights方法中

例子

请参阅最简单的示例