如何使用itself的前馈网络呢？

Question

我想使用create的神经网络，这样我就可以控制如何选择最合适的人(训练)以及其他事情，但是create的前馈网络的源代码不能单独使用(创建一个配置文件和基因组)。

nn.feed_forward的源代码

from neat.graphs import feed_forward_layers


class FeedForwardNetwork(object):
    def __init__(self, inputs, outputs, node_evals):
        self.input_nodes = inputs
        self.output_nodes = outputs
        self.node_evals = node_evals
        self.values = dict((key, 0.0) for key in inputs + outputs)

    def activate(self, inputs):
        if len(self.input_nodes) != len(inputs):
            raise RuntimeError("Expected {0:n} inputs, got {1:n}".format(len(self.input_nodes), len(inputs)))

        for k, v in zip(self.input_nodes, inputs):
            self.values[k] = v

        for node, act_func, agg_func, bias, response, links in self.node_evals:
            node_inputs = []
            for i, w in links:
                node_inputs.append(self.values[i] * w)
            s = agg_func(node_inputs)
            self.values[node] = act_func(bias + response * s)

        return [self.values[i] for i in self.output_nodes]


    @staticmethod
    def create(genome, config): # I don't want to have to pass in either arguments to create a network
        """ Receives a genome and returns its phenotype (a FeedForwardNetwork). """

        # Gather expressed connections.
        connections = [cg.key for cg in genome.connections.values() if cg.enabled]

        layers = feed_forward_layers(config.genome_config.input_keys, config.genome_config.output_keys, connections)
        node_evals = []
        for layer in layers:
            for node in layer:
                inputs = []
                for conn_key in connections:
                    inode, onode = conn_key
                    if onode == node:
                        cg = genome.connections[conn_key]
                        inputs.append((inode, cg.weight))

                ng = genome.nodes[node]
                aggregation_function = config.genome_config.aggregation_function_defs.get(ng.aggregation)
                activation_function = config.genome_config.activation_defs.get(ng.activation)
                node_evals.append((node, activation_function, aggregation_function, ng.bias, ng.response, inputs))

        return FeedForwardNetwork(config.genome_config.input_keys, config.genome_config.output_keys, node_evals)

我也希望能够变异神经网络(连接，权重，等等)。

Answer 1

要创建FeedForwardNetwork，您需要使用create方法或手动设置inputs, outputs, node_evals。

输入

input是输入节点的“键”(引用文档)的列表。它是一个list of int，类似于[-1, -2, ...,-num_inputs]，其中num_inputs是您在文件中设置的输入节点的数量。

输出

output是输出节点的“键”列表。它是一个list of int，类似于[0, 1, 2, ..., (num_outputs-1)]，其中num_outputs是您在config_file中设置的输出节点的数量。

node_evals

node_evals是一个元组列表。

元组的大小：

元组中的每个元素对应于一个具有" in“连接的节点，因此元组的大小是网络中的num_of_hiddens+num_of_outputs。(注意，这是由基因组而不是配置决定的，因此"num_of_outputs“和"num_of_hiddens”可以不同于config_file中的"num_outputs“和"num_hidden”)。

元组中的元素：

正如您在create方法和activate方法中所看到的，元组中的一个元素包括：

1. tuple[0]：对应节点的键。
2. tuple[1]：节点的activation_function。我认为它是一个输入浮点数和输出浮点数的函数。
3. tuple[2]：节点的aggregation_function。我认为任何函数都可以输入浮点数列表，并输出另一个浮点数。例如，计算列表中元素的和。
4. tuple[3]：节点的偏差，浮点。
5. tuple[4]：节点的响应，浮动。
6. tuple[5]：为这个神经元(节点)提供输入的链接，表示为节点i。这是一个元组的列表。tuple[5]的长度是当前神经元i的输入神经元数。对于tuple[5]内部的子元组，sub_tuple[0]是输入神经元的关键(这里，“输入”是指一个节点输入到节点i，而不是整个网络的“输入”)，而sub_tuple[1] (属于float类型)是某个输入神经元与节点i之间的连接权重。

如果您查看activate的实现，您可能会更好地理解"activation_function“、"aggregation_function”、“偏差”、“响应”和“链接”的物理含义。

我还建议您在这里上运行一个示例，在创建FeedForwardNetwork时添加一个断点，并检查数据类型。