cost2fitness

COST2FITNESS

適用於健身價值的PYPI軟件包（更少）（更好）（更好），反之亦然

 pip install cost2fitness

• COST2FITNESS
  • 關於
  • 變壓器
  • 變壓器管道
  • 如何繪製
  • 繪圖的示例
    • 每個變壓器
    • 管道
  • 神經網工具
    • 層
    • 幫助者
    • 例子

關於

這是包含幾種轉換方法的包裝numpy陣列取決於量表，平均值等。但是，使用它的主要方法是從成本值（更好的是更好）轉換為健身價值（更多是更好），反之亦然。您使用時可能會有所幫助

• 進化算法取決於數字差異：因此，設置樣本分數的良好表示以獲得更好的選擇很重要
• 概率取決於樣本得分的採樣方法

變壓器

有幾個簡單的變壓器。每個變壓器是包含name字段和transform(array)的BaseTransformer類別的子類，該方法將輸入數組轉換為新表示形式。

清單：

• ReverseByAverage ，
• AntiMax ，
• AntiMaxPercent(percent) ，
• Min2Zero ，
• Min2Value(value) ，
• ProbabilityView （將數據轉換為概率），
• SimplestReverse ，
• AlwaysOnes （返回一系列），
• NewAvgByMult(new_average) ，
• NewAvgByShift(new_average)
• Divider(divider_number_or_array) （將數組分配在數字或數組上，可用於固定啟動歸一化）
• Argmax （數組中最大元素的返回位置）
• Prob2Class(threshold = 0.5) （將概率轉換為0/1類）
• ToNumber （通過獲取第一個元素將數組轉換為一個數字）

您可以使用文件中的簡單邏輯來創建變壓器。

 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]) 

變壓器管道

U還可以使用Pl Pipeline結合這些變壓器。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.]) 

如何繪製

有plot_scores函數用於繪製轉換過程結果。它有參數：

• scores ：2D numpy數組2D numpy數組，帶有結構[start_values, first_transform(start_values), second_transform(first_transform), ...] ，其中每個對像是分數的1D陣列（值/成本/fitnesses）。
• names ： None /字符串列表，繪圖標籤的每個步驟的可選名稱。默認值None 。
• kind ：STR， “旁邊”的可選每個新列將在以前的旁邊；對於“下”，將在以前的情況下有新的地塊。默認值是“旁邊”。
• save_as ： None /str，可選的文件路徑來保存圖。默認值None 。

繪圖的示例

每個變壓器

代碼

管道

代碼

神經網工具

我在這裡製作了基本的神經網絡工具，因為非常有必要使用一些強化學習任務使用簡單的網絡，但是如果您只需要預測（正向傳播），則只能在1個示例中，但很多次，諸如keras之類的常見軟件包工作非常慢。因此，在這些情況下使用簡單的基於Numpy的軟件包將更快。

層

使用此變壓器邏輯來創建神經網絡並不難。因此，該軟件包將下一個神經網絡層作為變壓器：

• 啟用設定:

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

• 密集層工具：

  • Bias(bias_len, bias_array = None) - 添加bias_len的偏差。如果bias_array None ，請使用隨機偏見
  • 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創建它們

幫助者

並且有幾種用於使用神經網絡等pipeline對象的幫助者方法（當然僅用於遠期傳播）：

• pipeline對象方法：

  • get_shapes() - 獲取nn所需數組形狀的列表
  • total_weights() - 獲得整體NN的權重計數
  • set_weights(weights) - 設置權重（作為帶有所需形狀的數組的列表）nn

• 一個人功能：

  • arr_to_weigths(arr, shapes) - 將1D陣列arr轉換為帶狀shapes的數組列表，將其放入set_weights方法中

例子

請參閱最簡單的示例