- ข้อความ
- ประวัติศาสตร์
A simple method could use any stand
A simple method could use any standard parameter tuning
method for an appropriate training set of instances in
a given domain, and then to use an appropriate supervised
learning method in order to learn the relationship between
the features and the best parameters. Moreover, learning
and optimizing may be combined, and this is the second
main idea behind LaO.
The idea of using some surrogate model in optimization is
not new. In our case, however, there are several instances
to optimize, and only one model is available, that maps the
feature-space into the parameter-space. Nevertheless, there
is no question about how to use such a model of p in optimization:
one can always ask the model for hints about a
given parameter-set. Of course, if the model were perfectly
t to the training data, it would be useless, since it would return
the same hint as trained. Therefore under- tting when
learning the mapping from feature-space to parameter-space
is bene cial during the optimization phase in order to get
new hints.
It seems reasonable that the stopping criterion of LaO is
determined by the stopping criterion of the optimizer algorithm.
After exiting one can also do a re-training of the
learner with the best parameters found. One shall of course
also avoid in this case the other regular threat on learning
algorithms, that is over- tting.
The proposed LaO algorithm is an open framework: one
could use any appropriate learner for the mapping and any
kind of optimizer for parameter tuning. LaO can of course
be generalized to parameter tuning outside of AI planning.
In most cases, where the parameters of an algorithm are
to be tuned, there are instances of application, and in each
of these cases, there is a possibility to improve the tuning
by also learning the relation between some features and the
optimal parameters.
4.2 An Implementation of LaO
A simple multilayer Feed-Forward Arti cial Neural Network
(ANN) trained with standard backpropagation was chosen
here for the learning of the features-to-parameters mapping,
though any other supervised-learning algorithm could have
been used. The implicit hypothesis is that the relation p is
not very complex, which means that a simple ANN may be
used. In this work, one mapping is trained for each domain.
Training a single domain-independent ANN is left for future
work.
The other decision for the LaO implementation is the choice
of the optimizer used for parameter tuning. As described in
the introduction, one could use for this sake REVAC, SPO,
RACING or ParamILS. Because however, the parameter optimization
will be done successively for several instances,
the simple yet robust (1+1)-Covariance Matrix Adaptation
Evolution Strategy [10], in short (1+1)-CMA-ES, was chosen,
and used with its robust own default parameters, as
advocated in [4]. CMA-ES is a maximum-likelihood based
method estimating the so called natural gradient and improving
eciency this way over the conventional gradientbased
methods.
One original component, though, was added to some direct
approach to parameter tuning: gene-transfer between instances.
There will be one (1+1)-CMA-ES running for each
instance, because using larger population sizes for a single
instance would be far too costly. However, the (1+1)-CMAES
algorithms running on all training instances form a population
of individuals. The idea of gene-transfer is to use
something similar to crossover between the individuals of
this population. Gene-transfer was chosen instead of crossover,
because there is a high chance that a parameter-set
good for one instance is good for the other as it is. Thus
it may be used as a hint in the optimization of that other
instance. Therefore random gene-transfer was used in the
present implementation of LaO, by calling the so-called Gen-
etransferer. When the Genetransferer is requested for a hint
for one instance, it returns the so-far best parameter of
a di erent instance chosen with uniform random distribution
(preventing, of course, that the default parameters are
tried twice). Another bene t of the Genetransferer is that
it may smoothen out the ambiguities between instances, by
increasing the probability for instances with the same features
to test the same parameters, and thus the possibility
to nd out that the same parameters are appropriate for
the same features. Figure 1 shows the LAO framework with
the described implementations, and Algorithm 1 shows the
pseudo-code. In this pseudo-code for easier comprehensibility,
we did not include the test of the default parameters, the
case of multiple best parameters and the modi cation introduced
below for increasing the integrity of CMA-ES are also
not shown
method for an appropriate training set of instances in
a given domain, and then to use an appropriate supervised
learning method in order to learn the relationship between
the features and the best parameters. Moreover, learning
and optimizing may be combined, and this is the second
main idea behind LaO.
The idea of using some surrogate model in optimization is
not new. In our case, however, there are several instances
to optimize, and only one model is available, that maps the
feature-space into the parameter-space. Nevertheless, there
is no question about how to use such a model of p in optimization:
one can always ask the model for hints about a
given parameter-set. Of course, if the model were perfectly
t to the training data, it would be useless, since it would return
the same hint as trained. Therefore under- tting when
learning the mapping from feature-space to parameter-space
is bene cial during the optimization phase in order to get
new hints.
It seems reasonable that the stopping criterion of LaO is
determined by the stopping criterion of the optimizer algorithm.
After exiting one can also do a re-training of the
learner with the best parameters found. One shall of course
also avoid in this case the other regular threat on learning
algorithms, that is over- tting.
The proposed LaO algorithm is an open framework: one
could use any appropriate learner for the mapping and any
kind of optimizer for parameter tuning. LaO can of course
be generalized to parameter tuning outside of AI planning.
In most cases, where the parameters of an algorithm are
to be tuned, there are instances of application, and in each
of these cases, there is a possibility to improve the tuning
by also learning the relation between some features and the
optimal parameters.
4.2 An Implementation of LaO
A simple multilayer Feed-Forward Arti cial Neural Network
(ANN) trained with standard backpropagation was chosen
here for the learning of the features-to-parameters mapping,
though any other supervised-learning algorithm could have
been used. The implicit hypothesis is that the relation p is
not very complex, which means that a simple ANN may be
used. In this work, one mapping is trained for each domain.
Training a single domain-independent ANN is left for future
work.
The other decision for the LaO implementation is the choice
of the optimizer used for parameter tuning. As described in
the introduction, one could use for this sake REVAC, SPO,
RACING or ParamILS. Because however, the parameter optimization
will be done successively for several instances,
the simple yet robust (1+1)-Covariance Matrix Adaptation
Evolution Strategy [10], in short (1+1)-CMA-ES, was chosen,
and used with its robust own default parameters, as
advocated in [4]. CMA-ES is a maximum-likelihood based
method estimating the so called natural gradient and improving
eciency this way over the conventional gradientbased
methods.
One original component, though, was added to some direct
approach to parameter tuning: gene-transfer between instances.
There will be one (1+1)-CMA-ES running for each
instance, because using larger population sizes for a single
instance would be far too costly. However, the (1+1)-CMAES
algorithms running on all training instances form a population
of individuals. The idea of gene-transfer is to use
something similar to crossover between the individuals of
this population. Gene-transfer was chosen instead of crossover,
because there is a high chance that a parameter-set
good for one instance is good for the other as it is. Thus
it may be used as a hint in the optimization of that other
instance. Therefore random gene-transfer was used in the
present implementation of LaO, by calling the so-called Gen-
etransferer. When the Genetransferer is requested for a hint
for one instance, it returns the so-far best parameter of
a di erent instance chosen with uniform random distribution
(preventing, of course, that the default parameters are
tried twice). Another bene t of the Genetransferer is that
it may smoothen out the ambiguities between instances, by
increasing the probability for instances with the same features
to test the same parameters, and thus the possibility
to nd out that the same parameters are appropriate for
the same features. Figure 1 shows the LAO framework with
the described implementations, and Algorithm 1 shows the
pseudo-code. In this pseudo-code for easier comprehensibility,
we did not include the test of the default parameters, the
case of multiple best parameters and the modi cation introduced
below for increasing the integrity of CMA-ES are also
not shown
0/5000
A simple method could use any standard parameter tuningmethod for an appropriate training set of instances ina given domain, and then to use an appropriate supervisedlearning method in order to learn the relationship betweenthe features and the best parameters. Moreover, learningand optimizing may be combined, and this is the secondmain idea behind LaO.The idea of using some surrogate model in optimization isnot new. In our case, however, there are several instancesto optimize, and only one model is available, that maps thefeature-space into the parameter-space. Nevertheless, thereis no question about how to use such a model of p in optimization:one can always ask the model for hints about agiven parameter-set. Of course, if the model were perfectly t to the training data, it would be useless, since it would returnthe same hint as trained. Therefore under- tting whenlearning the mapping from feature-space to parameter-spaceis bene cial during the optimization phase in order to getnew hints.It seems reasonable that the stopping criterion of LaO isdetermined by the stopping criterion of the optimizer algorithm.After exiting one can also do a re-training of thelearner with the best parameters found. One shall of coursealso avoid in this case the other regular threat on learningalgorithms, that is over- tting.The proposed LaO algorithm is an open framework: onecould use any appropriate learner for the mapping and anyชนิดของการเพิ่มประสิทธิภาพในการปรับแต่งพารามิเตอร์ ลาวสามารถแน่นอนสามารถตั้งการค่าทั่วไปการปรับแต่งพารามิเตอร์นอก AI วางแผนในกรณีส่วนใหญ่ การที่มีพารามิเตอร์ของอัลกอริทึมการปรับได้ มีอินสแตนซ์ ของแอพลิเคชัน และ ในแต่ละกรณีดังกล่าว มีความเป็นไปได้ในการปรับปรุงการปรับโดยยัง เรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะบางอย่างและพารามิเตอร์ที่เหมาะสม4.2 การนำไปใช้ของลาวอย่างหลายชั้นอาไปดึงข้อมูลซึ่งกันและกันประสาทเครือข่าย(แอน) การฝึกอบรมมาตรฐาน backpropagation ถูกเลือกที่นี่สำหรับการเรียนรู้ของการแมปคุณสมบัติพารามิเตอร์แม้ว่า อัลกอริธึมแบบมีผู้สอนการเรียนรู้อื่น ๆ ได้การใช้ สมมติฐานนัยคือ p ความสัมพันธ์ไม่ซับซ้อนมาก ซึ่งหมายความ ว่า แอนง่ายอาจใช้ ในงานนี้ คือการฝึกอบรมหนึ่งการแม็ปสำหรับแต่ละโดเมนฝึกอบรมแอนเป็นอิสระโดเมนเดียวที่เหลืออยู่สำหรับอนาคตทำงานตัดสินสำหรับการดำเนินงานของลาวเป็นทางเลือกเพิ่มประสิทธิภาพการใช้สำหรับการปรับแต่งพารามิเตอร์ ตามที่อธิบายไว้ในแนะนำ ที่หนึ่งไม่สามารถใช้สำหรับนี้สาเก REVAC, SPOแข่งหรือ ParamILS เพราะอย่างไรก็ตาม การปรับค่าพารามิเตอร์จะทำติด ๆ กันสำหรับอินสแตนซ์หลายง่าย ๆ ยังแข็งแกร่ง (1 + 1) -ปรับเมตริกซ์ความแปรปรวนร่วมกลยุทธ์เชิงวิวัฒนาการ [10], ในระยะสั้น (1 + 1) - CMA - ES เลือกและใช้เป็นพารามิเตอร์เริ่มต้นของตัวเองที่แข็งแกร่งadvocated ใน [4] CMA ES เป็นคำสูงสุดความเป็นไปได้ตามวิธีการประเมินสิ่งที่เรียกว่าระดับสีธรรมชาติ และปรับปรุงe ciency วิธีนี้ผ่าน gradientbased ปกติวิธีส่วนประกอบต้นฉบับหนึ่ง แม้ว่า ถูกเพิ่มโดยตรงบางวิธีการปรับแต่งพารามิเตอร์: ยีนโอนย้ายระหว่างอินสแตนซ์จะมีหนึ่ง (1 + 1) - CMA - ES ทำงานสำหรับแต่ละอินสแตนซ์ เนื่องจากใช้ประชากรขนาดใหญ่ขนาดเดียวตัวอย่างจะมีราคาแพงเกินไป อย่างไรก็ตาม (1 + 1) -CMAESอัลกอริทึมในการทำงานบนอินสแตนซ์ของการฝึกอบรมทั้งหมดเป็นประชากรของบุคคลนั้น ความคิดของการถ่ายโอนยีนคือการ ใช้บางสิ่งบางอย่างที่คล้ายกับแบบไขว้ระหว่างบุคคลของจำนวนประชากรนี้ เลือกโอนย้ายยีนแทนไขว้เนื่องจากมี มากโอกาสที่ชุดพารามิเตอร์ดีสำหรับอินสแตนซ์ที่หนึ่งเหมาะสำหรับอื่น ๆ ก็ ดังนั้นอาจใช้เป็นคำแนะนำในการเพิ่มประสิทธิภาพของที่อื่นอินสแตนซ์ ดังนั้น ยีนโอนสุ่มถูกใช้ในการงานแสดงของลาว โดยการเรียกเรียกว่า Gen-etransferer เมื่อ Genetransferer ที่มีการร้องขอคำแนะนำสำหรับอินสแตนซ์ที่หนึ่ง จะส่งกลับค่าพารามิเตอร์เพื่อไกลสุดของอินสแตนซ์ของ erent ดีที่เลือกกับกระจายตัวอย่างสม่ำเสมอ(ป้องกัน แน่นอน พารามิเตอร์เริ่มต้นพยายามสอง) อีกที bene ของ Genetransferer ว่ามันอาจ smoothen ออก ambiguities ระหว่างอินสแตนซ์ โดยเพิ่มความเป็นไปได้สำหรับอินสแตนซ์กับคุณลักษณะเดียวกันการทดสอบพารามิเตอร์เดียวกัน จึงเป็นไปได้nd เห็นว่าพารามิเตอร์เดียวกันมีความเหมาะสมคุณสมบัติเดียวกัน รูปที่ 1 แสดงกรอบลาวด้วยthe described implementations, and Algorithm 1 shows thepseudo-code. In this pseudo-code for easier comprehensibility,we did not include the test of the default parameters, thecase of multiple best parameters and the modi cation introducedbelow for increasing the integrity of CMA-ES are alsonot shown
การแปล กรุณารอสักครู่..
วิธีการที่ง่ายสามารถใช้พารามิเตอร์มาตรฐานการปรับแต่ง
การตั้งค่าวิธีการฝึกอบรมที่เหมาะสมในกรณีที่
โดเมนที่กำหนดและจากนั้นจะใช้ภายใต้การดูแลที่เหมาะสม
วิธีการเรียนรู้เพื่อที่จะได้เรียนรู้ถึงความสัมพันธ์ระหว่าง
คุณสมบัติและพารามิเตอร์ที่ดีที่สุด นอกจากนี้การเรียนรู้
และการเพิ่มประสิทธิภาพอาจจะรวมและนี่เป็นครั้งที่สอง
ความคิดหลักที่อยู่เบื้องหลังลาว.
คิดที่จะใช้บางรูปแบบตัวแทนในการเพิ่มประสิทธิภาพคือ
ไม่ใหม่ ในกรณีของเรา แต่มีหลายกรณี
ที่จะเพิ่มประสิทธิภาพและมีเพียงรูปแบบหนึ่งที่สามารถใช้ได้ที่แม
คุณลักษณะพื้นที่ออกเป็นพารามิเตอร์พื้นที่ อย่างไรก็ตามมี
คำถามเกี่ยวกับวิธีการใช้เช่นรูปแบบของพีในการเพิ่มประสิทธิภาพไม่มี:
หนึ่งสามารถขอแบบจำลองสำหรับคำแนะนำเกี่ยวกับการ
กำหนดค่าพารามิเตอร์ที่ตั้งไว้ แน่นอนถ้าเป็นรูปแบบที่ดีที่สุดที่
ทีข้อมูลการฝึกอบรมก็จะไร้ประโยชน์เพราะมันจะกลับ
คำใบ้เช่นเดียวกับการฝึกอบรม ดังนั้นภายใต้ระบบเมื่อ
การเรียนรู้การทำแผนที่จากคุณลักษณะพื้นที่ที่จะพารามิเตอร์พื้นที่
เป็นประโยชน์ทางการในระหว่างขั้นตอนการเพิ่มประสิทธิภาพเพื่อให้ได้
คำแนะนำใหม่.
ดูเหมือนว่าเหมาะสมที่เกณฑ์การหยุดทำงานของลาวที่มีการ
กำหนดโดยเกณฑ์การหยุดขั้นตอนวิธีการเพิ่มประสิทธิภาพ
หลังจากที่ออกจากหนึ่งยังสามารถทำได้อีกครั้งในการฝึกอบรมของ
ผู้เรียนที่มีพารามิเตอร์ที่ดีที่สุดที่พบ หนึ่งของหลักสูตรจะ
หลีกเลี่ยงในกรณีนี้เป็นภัยคุกคามที่ปกติอื่น ๆ ในการเรียนรู้
ขั้นตอนวิธีการที่เป็นระบบเกิน.
นำเสนอขั้นตอนวิธีลาวเป็นกรอบเปิด: หนึ่ง
สามารถใช้เรียนที่เหมาะสมสำหรับการทำแผนที่และใด ๆ
ชนิดของการเพิ่มประสิทธิภาพสำหรับพารามิเตอร์การปรับแต่ง ลาวสามารถของหลักสูตร
ทั่วไปที่จะปรับแต่งพารามิเตอร์ด้านนอกของการวางแผนไอ.
ในกรณีส่วนใหญ่ที่ค่าพารามิเตอร์ของอัลกอริทึมที่มี
จะได้รับการปรับจูนมีกรณีของการประยุกต์ใช้และในแต่ละ
กรณีเหล่านี้มีความเป็นไปได้ในการปรับปรุงการปรับแต่ง
โดยยังเรียนรู้ความสัมพันธ์ระหว่างคุณสมบัติบางอย่างและ
พารามิเตอร์ที่เหมาะสม.
4.2 การดำเนินงานของลาว
ที่เรียบง่ายหลายฟีดไปข้างหน้า Arti ทางการเครือข่ายประสาทเทียม
(ANN) การฝึกอบรมที่มีมาตรฐานแพร่กระจายย้อนกลับได้รับการแต่งตั้ง
ที่นี่สำหรับการเรียนรู้ของคุณสมบัติเพื่อพารามิเตอร์การทำแผนที่,
แม้ว่าขั้นตอนวิธีการใด ๆ ภายใต้การดูแลการเรียนรู้อื่น ๆ จะได้
ถูกนำมาใช้ สมมติฐานนัยก็คือความสัมพันธ์พีคือ
ไม่ซับซ้อนมากซึ่งหมายความว่าง่าย ANN อาจจะ
นำมาใช้ ในงานนี้อย่างใดอย่างหนึ่งคือการฝึกอบรมการทำแผนที่สำหรับแต่ละโดเมน.
ฝึกอบรม ANN อิสระโดเมนเดียวที่เหลืออยู่สำหรับอนาคต
การทำงาน.
ตัดสินใจอื่น ๆ สำหรับการดำเนินงานที่ลาวเป็นทางเลือก
ของการเพิ่มประสิทธิภาพที่ใช้สำหรับการปรับแต่งพารามิเตอร์ ตามที่อธิบายไว้ใน
การเปิดตัวหนึ่งสามารถใช้ประโยชน์ Revac นี้ SPO,
RACING หรือ ParamILS เพราะอย่างไรก็ตามการเพิ่มประสิทธิภาพพารามิเตอร์
จะทำอย่างต่อเนื่องเป็นเวลาหลายกรณี
ที่เรียบง่ายและมีประสิทธิภาพ (1 + 1) -Covariance เมทริกซ์ปรับ
กลยุทธ์วิวัฒนาการ [10] ในระยะสั้น (1 + 1) -CMA-ES ถูกเลือก
และนำมาใช้ กับค่าเริ่มต้นของตัวเองที่มีประสิทธิภาพเช่น
การสนับสนุนใน [4] CMA-ES เป็นโอกาสสูงสุดตาม
วิธีการประเมินที่เรียกว่าการไล่ระดับสีธรรมชาติและการปรับปรุง
ประสิทธิภาพในอีวิธีนี้มากกว่า gradientbased ธรรมดา?
วิธี.
ส่วนหนึ่งเดิม แต่ถูกบันทึกอยู่ในบางโดยตรง
แนวทางการปรับแต่งพารามิเตอร์: ยีนการถ่ายโอนระหว่างกรณี .
จะมีหนึ่ง (1 + 1) -CMA-ES ทำงานสำหรับแต่ละ
ตัวอย่างเช่นเพราะใช้ประชากรขนาดใหญ่เดียว
เช่นจะไกลมีราคาแพงเกินไป อย่างไรก็ตาม (1 + 1) -CMAES
ขั้นตอนวิธีการทำงานในกรณีการฝึกอบรมทุกรูปแบบประชากร
ของบุคคล ความคิดของการถ่ายโอนยีนคือการใช้
สิ่งที่คล้ายกับครอสโอเวอร์ระหว่างบุคคลของ
ประชากรกลุ่มนี้ การถ่ายโอนยีนที่ได้รับเลือกแทนการครอสโอเวอร์
เพราะมีโอกาสสูงที่พารามิเตอร์การตั้งค่า
ที่ดีสำหรับการเป็นหนึ่งในตัวอย่างที่ดีสำหรับการอื่น ๆ ตามที่มันเป็น ดังนั้น
มันอาจจะถูกนำมาใช้เป็นคำแนะนำในการเพิ่มประสิทธิภาพของที่อื่น ๆ
เช่น ดังนั้นการถ่ายโอนยีนสุ่มถูกใช้ใน
การดำเนินงานปัจจุบันของลาวโดยเรียกที่เรียกว่า Gen-
etransferer เมื่อมีการร้องขอ Genetransferer สำหรับคำแนะนำ
สำหรับหนึ่งตัวอย่างก็จะส่งกลับที่ดีที่สุดเพื่อให้ห่างไกลพารามิเตอร์ของ
ดิ? ต่างกันเช่นเลือกที่มีการกระจายการสุ่มชุด
(ป้องกันแน่นอนว่าค่าเริ่มต้นที่มีการ
พยายามครั้งที่สอง) ประโยชน์ของเสื้อ Genetransferer ก็คือว่า
มันอาจจะออกนุ่มงงงวยระหว่างกรณีโดย
เพิ่มขึ้นน่าจะเป็นสำหรับกรณีที่มีคุณสมบัติเดียวกัน
เพื่อทดสอบพารามิเตอร์เดียวกันและทำให้ความเป็นไปได้
ที่จะเห็นว่า ND พารามิเตอร์เดียวกันมีความเหมาะสมสำหรับ
คุณสมบัติเดียวกัน . รูปที่ 1 แสดงกรอบลาวที่มี
การใช้งานที่อธิบายและอัลกอริทึมที่ 1 แสดง
หลอกรหัส ในการนี้หลอกสำหรับความเข้าใจได้ง่ายขึ้น
เราไม่ได้รวมถึงการทดสอบของพารามิเตอร์เริ่มต้นที่
กรณีของหลายพารามิเตอร์ที่ดีที่สุดและไอออนบวก Modi แนะนำ
ด้านล่างเพื่อเพิ่มความสมบูรณ์ของ CMA-ES ยัง
ไม่ปรากฏ
การตั้งค่าวิธีการฝึกอบรมที่เหมาะสมในกรณีที่
โดเมนที่กำหนดและจากนั้นจะใช้ภายใต้การดูแลที่เหมาะสม
วิธีการเรียนรู้เพื่อที่จะได้เรียนรู้ถึงความสัมพันธ์ระหว่าง
คุณสมบัติและพารามิเตอร์ที่ดีที่สุด นอกจากนี้การเรียนรู้
และการเพิ่มประสิทธิภาพอาจจะรวมและนี่เป็นครั้งที่สอง
ความคิดหลักที่อยู่เบื้องหลังลาว.
คิดที่จะใช้บางรูปแบบตัวแทนในการเพิ่มประสิทธิภาพคือ
ไม่ใหม่ ในกรณีของเรา แต่มีหลายกรณี
ที่จะเพิ่มประสิทธิภาพและมีเพียงรูปแบบหนึ่งที่สามารถใช้ได้ที่แม
คุณลักษณะพื้นที่ออกเป็นพารามิเตอร์พื้นที่ อย่างไรก็ตามมี
คำถามเกี่ยวกับวิธีการใช้เช่นรูปแบบของพีในการเพิ่มประสิทธิภาพไม่มี:
หนึ่งสามารถขอแบบจำลองสำหรับคำแนะนำเกี่ยวกับการ
กำหนดค่าพารามิเตอร์ที่ตั้งไว้ แน่นอนถ้าเป็นรูปแบบที่ดีที่สุดที่
ทีข้อมูลการฝึกอบรมก็จะไร้ประโยชน์เพราะมันจะกลับ
คำใบ้เช่นเดียวกับการฝึกอบรม ดังนั้นภายใต้ระบบเมื่อ
การเรียนรู้การทำแผนที่จากคุณลักษณะพื้นที่ที่จะพารามิเตอร์พื้นที่
เป็นประโยชน์ทางการในระหว่างขั้นตอนการเพิ่มประสิทธิภาพเพื่อให้ได้
คำแนะนำใหม่.
ดูเหมือนว่าเหมาะสมที่เกณฑ์การหยุดทำงานของลาวที่มีการ
กำหนดโดยเกณฑ์การหยุดขั้นตอนวิธีการเพิ่มประสิทธิภาพ
หลังจากที่ออกจากหนึ่งยังสามารถทำได้อีกครั้งในการฝึกอบรมของ
ผู้เรียนที่มีพารามิเตอร์ที่ดีที่สุดที่พบ หนึ่งของหลักสูตรจะ
หลีกเลี่ยงในกรณีนี้เป็นภัยคุกคามที่ปกติอื่น ๆ ในการเรียนรู้
ขั้นตอนวิธีการที่เป็นระบบเกิน.
นำเสนอขั้นตอนวิธีลาวเป็นกรอบเปิด: หนึ่ง
สามารถใช้เรียนที่เหมาะสมสำหรับการทำแผนที่และใด ๆ
ชนิดของการเพิ่มประสิทธิภาพสำหรับพารามิเตอร์การปรับแต่ง ลาวสามารถของหลักสูตร
ทั่วไปที่จะปรับแต่งพารามิเตอร์ด้านนอกของการวางแผนไอ.
ในกรณีส่วนใหญ่ที่ค่าพารามิเตอร์ของอัลกอริทึมที่มี
จะได้รับการปรับจูนมีกรณีของการประยุกต์ใช้และในแต่ละ
กรณีเหล่านี้มีความเป็นไปได้ในการปรับปรุงการปรับแต่ง
โดยยังเรียนรู้ความสัมพันธ์ระหว่างคุณสมบัติบางอย่างและ
พารามิเตอร์ที่เหมาะสม.
4.2 การดำเนินงานของลาว
ที่เรียบง่ายหลายฟีดไปข้างหน้า Arti ทางการเครือข่ายประสาทเทียม
(ANN) การฝึกอบรมที่มีมาตรฐานแพร่กระจายย้อนกลับได้รับการแต่งตั้ง
ที่นี่สำหรับการเรียนรู้ของคุณสมบัติเพื่อพารามิเตอร์การทำแผนที่,
แม้ว่าขั้นตอนวิธีการใด ๆ ภายใต้การดูแลการเรียนรู้อื่น ๆ จะได้
ถูกนำมาใช้ สมมติฐานนัยก็คือความสัมพันธ์พีคือ
ไม่ซับซ้อนมากซึ่งหมายความว่าง่าย ANN อาจจะ
นำมาใช้ ในงานนี้อย่างใดอย่างหนึ่งคือการฝึกอบรมการทำแผนที่สำหรับแต่ละโดเมน.
ฝึกอบรม ANN อิสระโดเมนเดียวที่เหลืออยู่สำหรับอนาคต
การทำงาน.
ตัดสินใจอื่น ๆ สำหรับการดำเนินงานที่ลาวเป็นทางเลือก
ของการเพิ่มประสิทธิภาพที่ใช้สำหรับการปรับแต่งพารามิเตอร์ ตามที่อธิบายไว้ใน
การเปิดตัวหนึ่งสามารถใช้ประโยชน์ Revac นี้ SPO,
RACING หรือ ParamILS เพราะอย่างไรก็ตามการเพิ่มประสิทธิภาพพารามิเตอร์
จะทำอย่างต่อเนื่องเป็นเวลาหลายกรณี
ที่เรียบง่ายและมีประสิทธิภาพ (1 + 1) -Covariance เมทริกซ์ปรับ
กลยุทธ์วิวัฒนาการ [10] ในระยะสั้น (1 + 1) -CMA-ES ถูกเลือก
และนำมาใช้ กับค่าเริ่มต้นของตัวเองที่มีประสิทธิภาพเช่น
การสนับสนุนใน [4] CMA-ES เป็นโอกาสสูงสุดตาม
วิธีการประเมินที่เรียกว่าการไล่ระดับสีธรรมชาติและการปรับปรุง
ประสิทธิภาพในอีวิธีนี้มากกว่า gradientbased ธรรมดา?
วิธี.
ส่วนหนึ่งเดิม แต่ถูกบันทึกอยู่ในบางโดยตรง
แนวทางการปรับแต่งพารามิเตอร์: ยีนการถ่ายโอนระหว่างกรณี .
จะมีหนึ่ง (1 + 1) -CMA-ES ทำงานสำหรับแต่ละ
ตัวอย่างเช่นเพราะใช้ประชากรขนาดใหญ่เดียว
เช่นจะไกลมีราคาแพงเกินไป อย่างไรก็ตาม (1 + 1) -CMAES
ขั้นตอนวิธีการทำงานในกรณีการฝึกอบรมทุกรูปแบบประชากร
ของบุคคล ความคิดของการถ่ายโอนยีนคือการใช้
สิ่งที่คล้ายกับครอสโอเวอร์ระหว่างบุคคลของ
ประชากรกลุ่มนี้ การถ่ายโอนยีนที่ได้รับเลือกแทนการครอสโอเวอร์
เพราะมีโอกาสสูงที่พารามิเตอร์การตั้งค่า
ที่ดีสำหรับการเป็นหนึ่งในตัวอย่างที่ดีสำหรับการอื่น ๆ ตามที่มันเป็น ดังนั้น
มันอาจจะถูกนำมาใช้เป็นคำแนะนำในการเพิ่มประสิทธิภาพของที่อื่น ๆ
เช่น ดังนั้นการถ่ายโอนยีนสุ่มถูกใช้ใน
การดำเนินงานปัจจุบันของลาวโดยเรียกที่เรียกว่า Gen-
etransferer เมื่อมีการร้องขอ Genetransferer สำหรับคำแนะนำ
สำหรับหนึ่งตัวอย่างก็จะส่งกลับที่ดีที่สุดเพื่อให้ห่างไกลพารามิเตอร์ของ
ดิ? ต่างกันเช่นเลือกที่มีการกระจายการสุ่มชุด
(ป้องกันแน่นอนว่าค่าเริ่มต้นที่มีการ
พยายามครั้งที่สอง) ประโยชน์ของเสื้อ Genetransferer ก็คือว่า
มันอาจจะออกนุ่มงงงวยระหว่างกรณีโดย
เพิ่มขึ้นน่าจะเป็นสำหรับกรณีที่มีคุณสมบัติเดียวกัน
เพื่อทดสอบพารามิเตอร์เดียวกันและทำให้ความเป็นไปได้
ที่จะเห็นว่า ND พารามิเตอร์เดียวกันมีความเหมาะสมสำหรับ
คุณสมบัติเดียวกัน . รูปที่ 1 แสดงกรอบลาวที่มี
การใช้งานที่อธิบายและอัลกอริทึมที่ 1 แสดง
หลอกรหัส ในการนี้หลอกสำหรับความเข้าใจได้ง่ายขึ้น
เราไม่ได้รวมถึงการทดสอบของพารามิเตอร์เริ่มต้นที่
กรณีของหลายพารามิเตอร์ที่ดีที่สุดและไอออนบวก Modi แนะนำ
ด้านล่างเพื่อเพิ่มความสมบูรณ์ของ CMA-ES ยัง
ไม่ปรากฏ
การแปล กรุณารอสักครู่..
กำหนดโดยเกณฑ์ของการเพิ่มประสิทธิภาพอัลกอริทึม .
หลังจากออกจากหนึ่งยังสามารถทำในเรื่องการฝึกอบรมของ
ผู้เรียนกับพารามิเตอร์ที่ดีที่สุดที่พบ จะแน่นอน
ยังหลีกเลี่ยงในกรณีนี้ภัยคุกคามปกติอื่น ๆในการเรียนรู้
อัลกอริทึม ที่เป็นมากกว่า - tting .
เสนอขั้นตอนวิธีลาวเป็นกรอบเปิด : หนึ่ง
สามารถใช้ใด ๆเหมาะสมสำหรับการทำแผนที่และ
ผู้เรียนความคิดของการใช้บางรูปแบบในการเพิ่มประสิทธิภาพตัวแทนคือ
ไม่ใหม่ ในกรณีของเรา อย่างไรก็ตาม มีหลายกรณี
เพื่อเพิ่มประสิทธิภาพ และเพียงหนึ่งรูปแบบสามารถใช้ได้ที่แผนที่
คุณลักษณะพื้นที่ในเชิงพื้นที่ อย่างไรก็ตาม , มี
ไม่มีคำถามเกี่ยวกับวิธีการที่จะใช้เป็นรูปแบบในการเพิ่มประสิทธิภาพของ P :
หนึ่งสามารถขอแบบให้คําแนะนําเกี่ยวกับ
ให้ตั้งค่าพารามิเตอร์ แน่นอนวิธีง่ายๆสามารถใช้มาตรฐานใด ๆ การปรับค่าพารามิเตอร์
วิธีการสำหรับการฝึกอบรมที่เหมาะสมชุดในกรณี
ให้โดเมน แล้วใช้ให้เหมาะสมดูแล
วิธีเรียนเพื่อเรียนรู้ความสัมพันธ์ระหว่าง
คุณลักษณะและพารามิเตอร์ที่ดีที่สุด นอกจากนี้ การเรียนรู้
เหมาะสมและอาจจะรวม และนี่คือสอง
ความคิดหลักของลาวถ้ารุ่นที่เป็นอย่างดี
t ข้อมูลการฝึกอบรม มันไม่มีประโยชน์ เพราะมันคงกลับมา
ใบ้เหมือนที่ผ่านการอบรม ดังนั้น ภายใต้ tting เมื่อ
เรียนรู้การทำแผนที่จากคุณลักษณะพื้นที่
พื้นที่พารามิเตอร์ดี ่ในระหว่างการหาระยะเพื่อให้ได้
ใบ้ใหม่ ดูเหมือนว่าเหมาะสมที่หยุดเกณฑ์ลาว
กำหนดโดยเกณฑ์ของการเพิ่มประสิทธิภาพอัลกอริทึม .
หลังจากออกจากหนึ่งยังสามารถทำในเรื่องการฝึกอบรมของ
ผู้เรียนกับพารามิเตอร์ที่ดีที่สุดที่พบ จะแน่นอน
ยังหลีกเลี่ยงในกรณีนี้ภัยคุกคามปกติอื่น ๆในการเรียนรู้
อัลกอริทึม ที่เป็นมากกว่า - tting .
เสนอขั้นตอนวิธีลาวเป็นกรอบเปิด : หนึ่ง
สามารถใช้ใด ๆเหมาะสมสำหรับการทำแผนที่และ
ผู้เรียนชนิดของเครื่องมือเพิ่มประสิทธิภาพสำหรับการปรับค่าพารามิเตอร์ . ลาวสามารถแน่นอน
อยู่ทั่วไป การปรับค่าพารามิเตอร์ภายนอกของ AI การวางแผน .
ในกรณีส่วนใหญ่ที่พารามิเตอร์ของขั้นตอนวิธีจะ
จะปรับ มีอินสแตนซ์ของโปรแกรม และในแต่ละ
กรณีนี้มีความเป็นไปได้ที่จะปรับปรุงปรับแต่ง
โดยเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะบางอย่างและ พารามิเตอร์ที่เหมาะสมที่สุด
.
42 ) การใช้ภาษาลาว
วิ Multilayer Feed Forward Arti ่โครงข่ายประสาทเทียม ( ANN ) ฝึกด้วย
ที่นี่คือเลือกแบบมาตรฐานการเรียนรู้ของคุณสมบัติการทำแผนที่พารามิเตอร์
ถึงแม้ว่าใด ๆอื่น ๆมีอัลกอริทึมการเรียนรู้อาจมี
ถูกใช้ สมมติฐานโดยนัยก็คือความสัมพันธ์ P คือ
ไม่ซับซ้อนมาก ซึ่งหมายความ ว่า วิ แอนอาจจะ
ใช้ . ในงานนี้ที่เรียบง่ายและทนทาน ( 1 ) - ความแปรปรวนเมทริกซ์วิวัฒนาการกลยุทธ์การปรับตัว
[ 10 ] ในระยะสั้น ( 1 ) - cma-es , เลือก ,
ใช้กับความแข็ง แกร่งเริ่มต้นพารามิเตอร์เช่น
advocated ใน [ 4 ] cma-es มีความเป็นไปได้สูงสุด ตามวิธีการคำนวณที่เรียกว่าธรรมชาติ
E ลาดและปรับปรุงประสิทธิภาพทาง gradientbased
ปกติวิธีการ องค์ประกอบหนึ่งเดิมแม้ว่าเพิ่มบางตรง
แนวทางการปรับค่าพารามิเตอร์ : การถ่ายโอนยีนระหว่างอินสแตนซ์ .
จะมีหนึ่ง ( 1 ) - cma-es วิ่งแต่ละ
อินสแตนซ์ เพราะด้วยขนาดประชากรขนาดใหญ่สำหรับอินสแตนซ์เดียว
จะไกลเกินไปที่ราคาแพง อย่างไรก็ตาม ใน ( 1 ) - cmaes
ขั้นตอนวิธีทำงานบนอินสแตนซ์การฝึกอบรมทุกรูปแบบประชากร
ของบุคคล ความคิดของการถ่ายโอนยีน คือ ใช้
สิ่งที่คล้ายกันกับครอสโอเวอร์ระหว่างบุคคล
ประชากรนี้ การถ่ายโอนยีนที่ถูกเลือกแทน crossover
เพราะมีโอกาสสูงที่การตั้งค่าพารามิเตอร์ดี
หนึ่งตัวอย่างที่ดี สำหรับอื่น ๆตามที่มันเป็น ดังนั้น
มันอาจจะใช้เป็นคำใบ้ในการเพิ่มประสิทธิภาพของอินสแตนซ์นั้น ๆ
ดังนั้น การถ่ายยีนใช้ใน
ปัจจุบันใช้ลาว
หลังจากออกจากหนึ่งยังสามารถทำในเรื่องการฝึกอบรมของ
ผู้เรียนกับพารามิเตอร์ที่ดีที่สุดที่พบ จะแน่นอน
ยังหลีกเลี่ยงในกรณีนี้ภัยคุกคามปกติอื่น ๆในการเรียนรู้
อัลกอริทึม ที่เป็นมากกว่า - tting .
เสนอขั้นตอนวิธีลาวเป็นกรอบเปิด : หนึ่ง
สามารถใช้ใด ๆเหมาะสมสำหรับการทำแผนที่และ
ผู้เรียนความคิดของการใช้บางรูปแบบในการเพิ่มประสิทธิภาพตัวแทนคือ
ไม่ใหม่ ในกรณีของเรา อย่างไรก็ตาม มีหลายกรณี
เพื่อเพิ่มประสิทธิภาพ และเพียงหนึ่งรูปแบบสามารถใช้ได้ที่แผนที่
คุณลักษณะพื้นที่ในเชิงพื้นที่ อย่างไรก็ตาม , มี
ไม่มีคำถามเกี่ยวกับวิธีการที่จะใช้เป็นรูปแบบในการเพิ่มประสิทธิภาพของ P :
หนึ่งสามารถขอแบบให้คําแนะนําเกี่ยวกับ
ให้ตั้งค่าพารามิเตอร์ แน่นอนวิธีง่ายๆสามารถใช้มาตรฐานใด ๆ การปรับค่าพารามิเตอร์
วิธีการสำหรับการฝึกอบรมที่เหมาะสมชุดในกรณี
ให้โดเมน แล้วใช้ให้เหมาะสมดูแล
วิธีเรียนเพื่อเรียนรู้ความสัมพันธ์ระหว่าง
คุณลักษณะและพารามิเตอร์ที่ดีที่สุด นอกจากนี้ การเรียนรู้
เหมาะสมและอาจจะรวม และนี่คือสอง
ความคิดหลักของลาวถ้ารุ่นที่เป็นอย่างดี
t ข้อมูลการฝึกอบรม มันไม่มีประโยชน์ เพราะมันคงกลับมา
ใบ้เหมือนที่ผ่านการอบรม ดังนั้น ภายใต้ tting เมื่อ
เรียนรู้การทำแผนที่จากคุณลักษณะพื้นที่
พื้นที่พารามิเตอร์ดี ่ในระหว่างการหาระยะเพื่อให้ได้
ใบ้ใหม่ ดูเหมือนว่าเหมาะสมที่หยุดเกณฑ์ลาว
กำหนดโดยเกณฑ์ของการเพิ่มประสิทธิภาพอัลกอริทึม .
หลังจากออกจากหนึ่งยังสามารถทำในเรื่องการฝึกอบรมของ
ผู้เรียนกับพารามิเตอร์ที่ดีที่สุดที่พบ จะแน่นอน
ยังหลีกเลี่ยงในกรณีนี้ภัยคุกคามปกติอื่น ๆในการเรียนรู้
อัลกอริทึม ที่เป็นมากกว่า - tting .
เสนอขั้นตอนวิธีลาวเป็นกรอบเปิด : หนึ่ง
สามารถใช้ใด ๆเหมาะสมสำหรับการทำแผนที่และ
ผู้เรียนชนิดของเครื่องมือเพิ่มประสิทธิภาพสำหรับการปรับค่าพารามิเตอร์ . ลาวสามารถแน่นอน
อยู่ทั่วไป การปรับค่าพารามิเตอร์ภายนอกของ AI การวางแผน .
ในกรณีส่วนใหญ่ที่พารามิเตอร์ของขั้นตอนวิธีจะ
จะปรับ มีอินสแตนซ์ของโปรแกรม และในแต่ละ
กรณีนี้มีความเป็นไปได้ที่จะปรับปรุงปรับแต่ง
โดยเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะบางอย่างและ พารามิเตอร์ที่เหมาะสมที่สุด
.
42 ) การใช้ภาษาลาว
วิ Multilayer Feed Forward Arti ่โครงข่ายประสาทเทียม ( ANN ) ฝึกด้วย
ที่นี่คือเลือกแบบมาตรฐานการเรียนรู้ของคุณสมบัติการทำแผนที่พารามิเตอร์
ถึงแม้ว่าใด ๆอื่น ๆมีอัลกอริทึมการเรียนรู้อาจมี
ถูกใช้ สมมติฐานโดยนัยก็คือความสัมพันธ์ P คือ
ไม่ซับซ้อนมาก ซึ่งหมายความ ว่า วิ แอนอาจจะ
ใช้ . ในงานนี้ที่เรียบง่ายและทนทาน ( 1 ) - ความแปรปรวนเมทริกซ์วิวัฒนาการกลยุทธ์การปรับตัว
[ 10 ] ในระยะสั้น ( 1 ) - cma-es , เลือก ,
ใช้กับความแข็ง แกร่งเริ่มต้นพารามิเตอร์เช่น
advocated ใน [ 4 ] cma-es มีความเป็นไปได้สูงสุด ตามวิธีการคำนวณที่เรียกว่าธรรมชาติ
E ลาดและปรับปรุงประสิทธิภาพทาง gradientbased
ปกติวิธีการ องค์ประกอบหนึ่งเดิมแม้ว่าเพิ่มบางตรง
แนวทางการปรับค่าพารามิเตอร์ : การถ่ายโอนยีนระหว่างอินสแตนซ์ .
จะมีหนึ่ง ( 1 ) - cma-es วิ่งแต่ละ
อินสแตนซ์ เพราะด้วยขนาดประชากรขนาดใหญ่สำหรับอินสแตนซ์เดียว
จะไกลเกินไปที่ราคาแพง อย่างไรก็ตาม ใน ( 1 ) - cmaes
ขั้นตอนวิธีทำงานบนอินสแตนซ์การฝึกอบรมทุกรูปแบบประชากร
ของบุคคล ความคิดของการถ่ายโอนยีน คือ ใช้
สิ่งที่คล้ายกันกับครอสโอเวอร์ระหว่างบุคคล
ประชากรนี้ การถ่ายโอนยีนที่ถูกเลือกแทน crossover
เพราะมีโอกาสสูงที่การตั้งค่าพารามิเตอร์ดี
หนึ่งตัวอย่างที่ดี สำหรับอื่น ๆตามที่มันเป็น ดังนั้น
มันอาจจะใช้เป็นคำใบ้ในการเพิ่มประสิทธิภาพของอินสแตนซ์นั้น ๆ
ดังนั้น การถ่ายยีนใช้ใน
ปัจจุบันใช้ลาว
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- เค้าเป็นรุ่นพี่ชั้น
- การบริหารในการใช้จ่ายเงิน
- ฉันกับแม่หาหอให้พี่ชาย
- เรียงคำต่อไปนี้ให้เป็นประโยคที่ถูกต้องhe
- งานในวันนี้ผ่านไปด้วยดี ห้องของฉันได้ราง
- from Spini to -PUFFS-: Eres un noob que
- Illumination was provided only through n
- เรียนเก่ง
- tutorial
- Here area number of fundamental
- He loves to listen to his MP3 player on
- easy going and tolerantstrict and meanst
- Myanmar food more appetizing
- ไม่ว่าจะผ่านไปกี่ปีก็ตามฉันก็คิดถึงคุณอย
- the place that full of
- from Spini to -PUFFS-: Eres un noob que
- Image
- My experience was when I was 7 years old
- ตารางที่2 แสดงแผนภูมิความนิยมการรับประทา
- สีขาว
- คงเป็นเพราะว่า
- Until the last 1 players left only to re
- My experience was when I was 7 years old
- ถึงคุณจะไม่มีใครแต่คุณยังมีฉันนะ
