SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
Python智联招聘数据分析
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程

Tensorflow.js实现进化算法及可视化演示

在B站@mlln-cn, 我就能回答你的问题奥!

文章目录
  1. 1. 摘要
  2. 2. 进化算法概念
  3. 3. 进化算法的过程
    1. 3.1. 用下图来更具体的说明
  4. 4. 进化算法用途
  5. 5. Tensorflow.js架构
    1. 5.0.0.1. 核心 API (Low Level) - 我们今天的代码用的就是这一部分
    2. 5.0.0.2. Layers (high level)
  • 6. 模型介绍
    1. 6.0.1. 性能指标
    2. 6.0.2. 选择优胜的生物
    3. 6.0.3. 交配繁殖:
      1. 6.0.3.1. 突变
  • 7. 代码实现
    1. 7.1. 第一部分实现一个神经网络结构(生物的大脑)
    2. 7.2. 第二部分实现达尔文选择和交配繁殖
    3. 7.3. 第三部分可视化相关代码
  • 8. 总结
  • 声明: 本文由DataScience发表, 转载请注明本文链接mlln.cn, 并在文后留言转载.

    摘要

    物竞天择是大自然最伟大的发明。生命是如何从无机物一步步进化成智能的实体? 我们可以使用进化算法感受以下这个过程。今天的一个机器学习的小例子不需要任何训练数据和人工指导, 只需要遵循适者生存的生命法则, 就能让生物学会跑步。

    本篇文章要带领大家使用tensorflow.js实现一个神经网络, 并使用进化算法更新神经网络的参数, 并使用p5.js实现整个训练过程的可视化。你可以看这个gif图片看到我们要做的东西。另外通过这个DEMO可以全程观察生物进化的过程, 你会看到跑的更远的生物适应能力更强, 能繁衍更多的后代。

    进化算法概念

    • 机器学习模型本质上是函数拟合。
    • 无论是分类,回归还是强化学习,最终目标几乎总是找到将输入数据映射到输出数据的函数。

    所以, 问题可以变得很简单, 给你一堆训练数据(包括输入$x$和输出$y$), 你要找到一个函数(调整函数的参数)$f$, 使得$\hat y = f(x)$, 并且 $\hat y ≈ y$

    进化算法的过程

    • 我们假设要学习的函数是一个神经网络结构的函数
    • 生成随机神经网络函数参数, 比如生成100个不同的参数但相同结构的函数
    • 使用高斯分布随机确定每个函数的参数
    • 检验这些函数的性能, 选择最好的函数
    • 性能越好的函数有越大的几率影响他们的下一代函数
    • 繁殖下一代函数
    • 重复上面的过程, 逐步提高函数的性能

    进化算法有以下的特点:

    • 因此,我们使用几种模型而不是单一模型。这是与梯度下降的关键区别
    • NEAT,HyperNEAT和新奇搜索就是一些例子
    • 进化策略,遗传算法等对于如何进行遗传优化的方法都略有不同。

    用下图来更具体的说明

    • 首先,确定评估性能的方法。
    • 这意味着检查函数并确定哪些函数表现最佳。
    • 接下来,基于评估结果选择优秀的函数。
    • 对于DNN,常用指标定义为损失或奖励。
    • 生成下一代函数, 让优秀的祖先获得更高的权重来影响下一代的函数参数, 并且增加一些随机值来提高函数的可能性

    进化算法用途

    • 无人驾驶
    • 智能游戏/机器人
    • 图片分类
    • 生成艺术
    • Anything really!

    Tensorflow.js架构

    这里不详细介绍tensorflow.js, 有兴趣的可以关注我以后的教程。总的来说, tensorflow.js分类两个部分:

    核心 API (Low Level) - 我们今天的代码用的就是这一部分
    • 计算图是一系列TensorFlow操作,排列成图形。
    • 图形由两种类型的对象组成。
    • 操作(或“操作”):图形的节点。操作描述消耗和产生张量的计算。
    • 张量:图中的边缘。这些代表将流经图表的值。大多数TensorFlow函数返回tf.Tensors。
    1
    2
    3
    a = tf.constant(3.0, dtype=tf.float32)
    b = tf.constant(4.0) # also tf.float32 implicitly
    total = a + b
    Layers (high level)
    • 图层将变量和作用于它们的操作打包在一起。
    • 例如,全连接层对每个输出的所有输入执行加权和,并应用可选的激活函数。
    • 连接权重和偏差由图层对象管理。
    • 以下代码创建一个Dense图层,它接受一批输入向量,并为每个向量生成一个输出值。
    • 要将图层应用于输入,请将图层称为函数。例如:
    1
    2
    3
    x = tf.placeholder(tf.float32, shape=[None, 3])
    linear_model = tf.layers.Dense(units=1)
    y = linear_model(x)

    模型介绍

    (我会使用”生物”这个词来代表我的函数, 进化算法常常这么叫)

    • 我们要在网页上创建一个20个生物

    • 他们需要自己摸索如何走路, 并且走的越远越表明”基因”越优秀

    • 为了简单, 他们只有两条腿, 如上图

    • 所有生物都有3层前馈神经网络作为他们的大脑

    • 每层的神经元个数是4/10/X,其中输出层中的节点数X取决于生物的肌肉数量。

    • 馈送到网络的输入数据是(可以当作这些生物只有这4个感觉):

      • 水平速度
      • 垂直速度
      • 扭矩
      • 高于地面的高度
    性能指标
    • 生物可以根据它从起点移动的距离获得分数。
    • 它越向正确的方向行进,它获得的分数越多, 说明这个函数的性能越好。
    • 在相反方向行驶,将减少分数。
    选择优胜的生物
    • 根据生物的性能选择生物, 被选择的生物才有机会进行繁殖。
    • 他们所得的分数被用于计算选择的概率。
    • 表现更好的生物具有更高的分数,因此具有更高的机会进行繁殖。
    交配繁殖:
    • 使用上面的选择算法选择两个生物(父母)。
    • 如下图所示,它们的权重按位随机互换,形成一组新的权重。
    • 在我们的例子中,一个位代表一个权重值。这组新的权重用于形成一个新的生物(孩子), 也可以被称为一个函数。

    alt text

    突变
    • 突变率通常约为1-2%,实际上是引入随机性的概率。

    代码实现

    第一部分实现一个神经网络结构(生物的大脑)

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    /** 神经网络 */
    class NeuralNetwork {

    /**
    * 三个参数分别代表输入层/隐藏层/输出层的神经元个数
    * @constructor
    * @param {number} input_nodes
    * @param {number} hidden_nodes
    * @param {number} output_nodes
    */
    constructor(input_nodes, hidden_nodes, output_nodes) {

    this.input_nodes = input_nodes;
    this.hidden_nodes = hidden_nodes;
    this.output_nodes = output_nodes;

    // Initialize random weights
    this.input_weights = tf.randomNormal([this.input_nodes, this.hidden_nodes]);
    this.output_weights = tf.randomNormal([this.hidden_nodes, this.output_nodes]);
    }

    /**
    * 输入一个向量, 进行前向传播计算输出值
    * @param {array} - Array of inputs
    */

    predict(user_input) {
    let output;
    tf.tidy(() => {
    /* Takes a 1D array */
    let input_layer = tf.tensor(user_input, [1, this.input_nodes]);
    let hidden_layer = input_layer.matMul(this.input_weights).sigmoid();
    let output_layer = hidden_layer.matMul(this.output_weights).sigmoid();
    output = output_layer.dataSync();
    });
    return output;
    }

    /**
    * 返回一个新的实例, 复制权重
    * @returns {NeuralNetwork}
    */
    clone() {
    let clonie = new NeuralNetwork(this.input_nodes, this.hidden_nodes, this.output_nodes);
    clonie.dispose();
    clonie.input_weights = tf.clone(this.input_weights);
    clonie.output_weights = tf.clone(this.output_weights);
    return clonie;
    }

    /**
    * 处理内存中的输入和输出权重
    */
    dispose() {
    this.input_weights.dispose();
    this.output_weights.dispose();
    }
    }

    第二部分实现达尔文选择和交配繁殖

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    67
    68
    69
    70
    71
    72
    73
    74
    75
    76
    77
    78
    79
    80
    81
    82
    83
    84
    85
    86
    87
    88
    89
    90
    91
    92
    93
    94
    95
    96
    97
    98
    99
    100
    101
    102
    103
    104
    105
    106
    107
    108

    class Generation {

    /**
    * 输入生物群大小/也就是生物的个数
    * @constructor
    * @param {number} population - The population Size
    */

    constructor(population) {
    this.population = population;
    this.species = [];
    this.generation = 1;
    this.high_score = 0;
    this.avg_score = 0;
    this.total_score = 0;
    this.fitness = 0;
    this.progress = 0;
    }


    /**
    * 创建种群
    * @param {object}
    */

    initialize(Person) {
    for (let i = 0; i < this.population; i++) {
    let new_Person = new Person({
    upper_length: 30,
    upper_width: 8,
    lower_length: 30,
    lower_width: 6,
    x: width * 0.15,
    y: height * 0.85,
    id: i
    });
    this.species.push(new_Person);
    }
    }

    /**
    * 从种群中筛选一个人作为育种候选人
    * fitness高的人更容易被选出来
    * @returns A Person
    */

    pickOne() {
    let index = 0;
    let r = Math.random();
    while (r > 0) {
    r -= this.species[index].fitness;
    index += 1;
    }

    index -= 1;

    let selected = this.species[index].clone();
    return selected;
    }

    evolve() {

    // 保存高分
    this.generation += 1;
    let gen_highscore = Math.max.apply(Math, this.species.map(o => o.score));
    this.high_score = gen_highscore > this.high_score ? gen_highscore : this.high_score;

    // 计算种群总分
    let total_score = 0;
    this.species.forEach((person) => { total_score += person.score });

    // 计算每个人的性能(适应能力)
    this.progress = (total_score / this.population) - this.avg_score
    this.avg_score = total_score / this.population;
    for (let i = 0; i < this.population; i++) {
    this.species[i].fitness = this.species[i].score / total_score;
    };

    // 新一代种群保存在这个列表里
    let new_generation = [];

    // 繁殖
    for (let i = 0; i < this.population; i++) {
    let parentA = this.pickOne();
    let parentB = this.pickOne();
    let child = parentA.crossover(parentB);
    child.mutate();
    child.id = i;
    child.params.id = i;
    child.colors = [parentA.colors[0], parentB.colors[1]];
    child.parents = [{ id: parentA.id, score: this.species[parentA.id].score }, { id: parentB.id, score: this.species[parentB.id].score }];
    new_generation.push(child);
    }

    // 杀死这个老种群
    // i.e. Remove their bodies from MatterJS World and dispose their brain
    for (let i = 0; i < this.population; i++) {
    this.species[i].kill(world);
    }

    // 将新一代种群添加到这里
    this.species = new_generation;
    for (let i = 0; i < this.population; i++) {
    this.species[i].add_to_world(world);
    }
    }
    }

    第三部分可视化相关代码

    可视化是用p5.js实现的, 因为不是这篇文章的重点, 所以这里没有贴出来。

    总结

    通过上面的代码, 你应该能够理解进化算法的基本理念了。进化算法和梯度下降法的区别就是他们更新函数参数的方法不同。

    你可以通过这个在线Demo, 观察整个生物进化过程。

    上面的代码来自这个GitHub, 感谢作者.

    注意
    本文由jupyter notebook转换而来, 您可以在这里下载notebook
    统计咨询请加QQ 2726725926, 微信 mllncn, SPSS统计咨询是收费的
    微博上@mlln-cn可以向我免费题问
    请记住我的网址: mlln.cn 或者 jupyter.cn

    赞助

    持续创造有价值的内容, 我需要你的帮助