NEAT-Python 无法捕获极端值

Question

我正在使用NEAT-Python来模拟基于曲线与 0 的绝对差异的常规正弦函数的过程。配置文件几乎完全采用了基本的 XOR 示例，但输入的数量设置为1. 偏移的方向是在实际预测步骤之后立即从原始数据中推断出来的，所以这实际上就是预测范围内的偏移[0, 1]。适应度函数和大部分剩余代码也已从帮助页面中采用，这就是为什么我相当有信心从技术角度来看代码是一致的。从下面包含的观察到的与预测的偏移的可视化中可以看出，该模型在大多数情况下产生了相当好的结果。但是，它无法捕获值范围的下限和上限。任何有关如何提高算法性能的帮助，特别是在下/上边缘，将不胜感激。或者到目前为止我还没有考虑到任何有条理的限制吗？config-feedforward 位于当前工作目录：#--- parameters for the XOR-2 experiment ---#[NEAT]fitness_criterion     = maxfitness_threshold     = 3.9pop_size              = 150reset_on_extinction   = False[DefaultGenome]# node activation optionsactivation_default      = sigmoidactivation_mutate_rate  = 0.0activation_options      = sigmoid# node aggregation optionsaggregation_default     = sumaggregation_mutate_rate = 0.0aggregation_options     = sum# node bias optionsbias_init_mean          = 0.0bias_init_stdev         = 1.0bias_max_value          = 30.0bias_min_value          = -30.0bias_mutate_power       = 0.5bias_mutate_rate        = 0.7bias_replace_rate       = 0.1# genome compatibility optionscompatibility_disjoint_coefficient = 1.0compatibility_weight_coefficient   = 0.5# connection add/remove ratesconn_add_prob           = 0.5conn_delete_prob        = 0.5# connection enable optionsenabled_default         = Trueenabled_mutate_rate     = 0.01feed_forward            = Trueinitial_connection      = full# node add/remove ratesnode_add_prob           = 0.2node_delete_prob        = 0.2# network parametersnum_hidden              = 0num_inputs              = 1num_outputs             = 1# node response optionsresponse_init_mean      = 1.0response_init_stdev     = 0.0response_max_value      = 30.0response_min_value      = -30.0response_mutate_power   = 0.0response_mutate_rate    = 0.0response_replace_rate   = 0.0# connection weight optionsweight_init_mean        = 0.0weight_init_stdev       = 1.0weight_max_value        = 30weight_min_value        = -30weight_mutate_power     = 0.5weight_mutate_rate      = 0.8weight_replace_rate     = 0.1[DefaultSpeciesSet]compatibility_threshold = 3.0

Answer 1

NEAT 存在不同的实现，因此细节可能会有所不同。

通常 NEAT 通过包含一个始终处于活动状态（激活后 1）的特殊输入神经元来处理偏差。我怀疑bias_max_value 和bias_min_value 决定了这个偏置神经元和隐藏神经元之间的最大允许连接强度。在我使用的 NEAT 代码中，这两个参数不存在，并且将偏置到隐藏的连接视为正常连接（具有它们自己的允许范围，在我们的示例中为 -5 到 5）。

如果您正在使用 Sigmoid 函数，您的输出神经元将在 0 到 1 的范围内工作（考虑隐藏神经元的更快激活，也许是 RELU）。

如果您试图预测接近 0 或 1 的值，这是一个问题，因为您确实需要将神经元推到其范围的极限，而 Sigmoid 会渐近（缓慢地！）接近这些极端：

幸运的是，有一种非常简单的方法可以查看这是否是问题所在：只需重新调整输出！就像是

out = raw_out * 1.2 - 0.1

这将使您的理论输出处于超出预期输出的范围内（在我的示例中为 -0.1 到 1.1），并且达到 0 和 1 会更容易（严格来说实际上是可能的）。