文件名称:gentun:使用分布式遗传算法对机器学习模型进行超参数调整
文件大小:29KB
文件格式:ZIP
更新时间:2024-05-21 19:20:02
machine-learning rabbitmq genetic-algorithm keras cross-validation
gentun:用于超参数调整的遗传算法 该项目的目的是提供一个简单的框架,用于使用遗传算法对诸如神经网络和梯度提升树之类的机器学习模型进行调整。 测量给定人群的个体适应性意味着使用由其基因定义的一组特定的超参数来训练模型。 这是一个耗时的过程,因此,可以使用客户端-服务器方法来允许多个客户端对服务器传递的个体执行模型训练和交叉验证。 由繁殖和变异产生的后代由服务器处理。 “参数调整是机器学习中的一门黑手艺,模型的最佳参数可能取决于许多情况。” 参数调优 “ [...]可能的网络结构的数量随着网络中层数的增加而呈指数增长,这激发了我们采用遗传算法来有效地遍历这个较大的搜索空间。” daccess-ods.un.org daccess-ods.un.org 〜纸 支持的基因编码 我们鼓励您提交自己的个人模型对以增强项目。 您可以基于提供的XgboostIndividual和XgboostMo
【文件预览】:
gentun-master
----setup.py(1KB)
----.gitignore(2KB)
----requirements.txt(388B)
----LICENSE(11KB)
----README.md(10KB)
----tests()
--------test_keras_model.py(1KB)
--------test_xgboost_model.py(749B)
--------test_grid_california-housing.py(867B)
--------mnist_server.py(814B)
--------test_mnist.py(1KB)
--------sample_client.py(636B)
--------test_california-housing.py(678B)
--------mnist_client.py(986B)
--------sample_server.py(633B)
----gentun()
--------__init__.py(762B)
--------models()
--------client.py(3KB)
--------algorithms.py(4KB)
--------server.py(6KB)
--------populations.py(4KB)
--------individuals.py(11KB)