Python神经进化网络实战

本书讨论了传统的深度机器学习方法的可行替代方案—神经进化算法。神经进化是一系列机器学习方法，它们使用进化算法来简化对复杂任务的解决，如游戏、机器人和自然过程的仿真。

　　本书详细阐述了与神经进化网络开发相关的基本解决方案，主要包括神经进化方法概述、Python库和环境设置、使用NEAT进行XOR求解器优化、摆杆平衡实验、自主迷宫导航、新颖性搜索优化方法、基于超立方体的NEAT和视觉辨别、ES-HyperNEAT和视网膜问题、协同进化和SAFE方法、深度神经进化等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

雅罗斯拉夫尔·连奥米恩科担任首席技术官和研究主管超过10年。他是机器学习研究领域的活跃成员，并在arXiv、ResearchGate平台以及Preprints等刊物上发表了若干篇研究论文。10多年前，他开发了用于手机游戏的自主代理，此后一直从事机器学习的应用。在过去的5年中，他积极参与有关将深度机器学习方法应用于身份验证、个人特征识别、协作机器人技术和合成智能等的研究。他还是一名活跃的软件开发人员，使用Go语言创建了开源神经进化算法的实现。

第1部分 进化计算算法和神经进化方法的基本原理
第1章 神经进化方法概述
1．1 进化算法和基于神经进化的方法
1．1．1 遗传算子
1．1．2 基因组编码方案
1．1．3 协同进化
1．1．4 模块化和层次结构
1．2 关于NEAT算法
1．2．1 NEAT编码方案
1．2．2 结构变异
1．2．3 使用创新数字交叉
1．2．4 物种形成
1．3 基于超立方体的NEAT
1．3．1 复合模式生成网络
1．3．2 基板配置
1．3．3 不断进化的连接CPPN和HyperNEAT算法
1．4 可进化基板HyperNEAT
1．4．1 超立方体中的信息模式
1．4．2 使用四叉树作为有效的信息提取器
1．4．3 ES-HyperNEAT算法
1．5 新颖性搜索优化方法
1．5．1 新颖性搜索与自然进化
1．5．2 新颖性度量
1．6 小结
1．7 延伸阅读
第2章 Python库和环境设置
2．1 适用于神经进化实验的Python库
2．1．1 NEAT-Python
2．1．2 NEAT-Python用法示例
2．1．3 PyTorchNEAT
2．1．4 PyTorchNEAT用法示例
2．1．5 MultiNEAT
2．1．6 MultiNEAT用法示例
2．1．7 深度神经进化
2．1．8 比较Python神经进化库
2．2 环境设定
2．2．1 Pipenv
2．2．2 VinUalenv
2．2．3 AnaCOnda
2．3 小结

第2部分 运用神经进化方法解决经典计算机科学问题
第3章 使用NEAT进行XOR求解器优化
3．1 技术要求
3．2 XOR问题基础知识
3．3 XOR实验的目标函数
3．4 超参数选择
3．4．1 NEAT部分
3．4．2 DefaultStagnation部分
3．4．3 DefaultReproduction部分
3．4．4 DefaultSpeciesSet部分
3．4．5 DefaultGenome部分
3．4．6 XOR实验超参数
3．5 运行XOR实验
3．5．1 环境设置
3．5．2 XOR实验源代码
……
第3部分 高级神经进化方法
第4部分 复习和总结

　　传统的深度学习方法在功能上几乎已经触顶，越来越多的研究人员开始寻找训练人工神经网络的替代方法。
　　深度机器学习对于模式识别非常有效，但是却无法解决需要理解背景环境的任务。许多研究人员，包括现代深度机器学习之父Geoff Hinton都认同，目前设计人工智能系统的方法不再能够应对当前面临的挑战。
　　本书讨论了传统的深度机器学习方法的可行替代方案—神经进化算法。神经进化是一系列机器学习方法，它们使用进化算法来简化对复杂任务的解决，如游戏、机器人和自然过程的仿真。
　　神经进化算法的灵感来自于自然选择的过程。非常简单的人工神经网络可能会变得非常复杂。神经进化的最终结果是网络的最佳拓扑形态，这使模型更节能，更易于分析。
　　在本书中，读者将学习到各种神经进化算法，并获得使用它们来解决不同的计算机科学问题的实用技能，从经典的强化学习到构建用于迷宫自动导航的代理。此外，读者还将学习如何使用神经进化来训练深度神经网络，从而创建可以玩经典Atari游戏的机器人代理。
　　本书通过各种实验，循序渐进，使读者对神经进化方法有深入的理解。它涵盖了游戏、机器人和自然过程模拟等领域的实际示例，并使用实际示例和数据集来帮助读者更好地理解所探索的概念。在通读完本书之后，读者将能够完成本书所演示的实验，并且举一反三，将神经进化方法应用于自己的工作和研究。
　　我们编写本书的目标是为读者提供最前沿的技术知识，这是传统深度学习的重要替代方法。我们希望神经进化算法在项目中的实际应用能使读者以一种优雅且节能的方式解决当前棘手的问题。
　　本书读者
　　本书适用于希望从头开始实现神经进化算法的机器学习从业人员、深度学习研究人员和AI爱好者。读者将学习到如何将这些算法应用于各种实际问题，掌握神经进化方法优化训练人工神经网络的过程，熟悉神经进化的核心概念，并获得在工作和实验中使用它的必要实践技能。学习本书之前，读者必须具备一定的Python和深度学习以及神经网络基础知识。