文件名称：learning-tsp:论文“学习TSP需要重新思考泛化”的代码（arXiv预印本）
文件大小：53.54MB
文件格式：ZIP
更新时间：2024-06-12 22:26:54
deep-learning transformers pytorch tsp combinatorial-optimization
:briefcase: 学习TSP需要重新思考泛化 该存储库包含Chaitanya K. Joshi，Quentin Cappart，Louis-Martin Rousseau，Thomas Laurent和Xavier Bresson撰写的论文的代码。 :newspaper: 概述 对神经网络求解器进行组合问题（例如旅行推销员问题）的端到端培训在数百个节点之外都是棘手且效率低下的。 尽管最先进的机器学习方法在规模很小的情况下与经典求解器非常接近，但它们无法将学习到的策略推广到更大的实际规模实例中。 为了利用转移学习来解决大规模TSP ，本文确定了归纳偏差，模型体系结构和学习算法，这些归因偏差，模型体系结构和学习算法可将泛化推广到比训练中看到的实例更大的实例。 我们的受控实验提供了对这种零射泛化的第一个原则性研究，揭示了超出训练数据的推断需要重新考虑整个神经组合优化流程，从网络层和学习范式到评估协议。 :rocket: 端到端神经组合优
【文件预览】：
learning-tsp-master
----.gitignore(172B)
----vizualizations_tensorboard.ipynb(12KB)
----nets()
--------encoders()
--------__init__.py(0B)
--------critic_network.py(2KB)
--------nar_model.py(10KB)
--------attention_model.py(28KB)
----problems()
--------__init__.py(47B)
--------tsp()
----run.py(12KB)
----data()
--------tsp()
----eval.py(10KB)
----LICENSE(1KB)
----finetune.py(16KB)
----pretrained()
--------results.ipynb(2.07MB)
--------tsp_200-200()
--------tspsl_20-50()
--------tsp_20-50()
----eval_baseline.py(18KB)
----options.py(8KB)
----utils()
--------functions.py(8KB)
--------data_utils.py(1KB)
--------__init__.py(24B)
--------monkey_patch.py(3KB)
--------nar_beam_search.py(5KB)
--------log_utils.py(2KB)
--------lexsort.py(2KB)
--------beam_search.py(8KB)
--------boolmask.py(3KB)
--------tensor_functions.py(2KB)
----scripts()
--------train-rl-ar.sh(2KB)
--------train-sl-nar.sh(1KB)
--------finetune.sh(836B)
--------train-sl-ar.sh(1KB)
--------eval.sh(625B)
----README.md(8KB)
----reinforce_baselines.py(8KB)
----img()
--------pipeline.png(307KB)
--------computation.png(619KB)
----vizualizations_heatmaps.ipynb(6.2MB)
----train.py(10KB)