神经网络 NEAT

Neural NEAT 是一个 Rust 库，实现了 Kenneth Stanley 的 NeuroEvolution of Augmenting Topologies (NEAT) 神经网络进化技术。

项目状态

该项目还处于早期阶段，但包含了一个基本的实现，能够生成初始的基因组种群，并在连续的世代中进化。

API 应该被视为非常不稳定。它可能会在很短的时间内或没有任何通知的情况下更改，并且版本变化之间没有保证的 API 稳定性。（随着项目的成熟，这可能会改变。）

安装

cargo add neuralneat

用法

使用 Neural NEAT 进化神经网络的标准流程是创建一个 Pool，测试 Pool 中的每个 Genome，然后在新一代之前重复此过程，直到您想要的或需要的次数。例如

use neuralneat::{Genome, Pool, Trainer};
use neuralneat::evaluation::TrainingData;

// To do something useful, you need to decide what your training data is!
fn load_training_data() -> Vec<TrainingData> {
    return vec![];
}

fn main() {
    let input_nodes = 5;
    let output_nodes = 1;
    // Create an initial pool of Genomes
    let mut gene_pool = Pool::with_defaults(input_nodes, output_nodes);
    
    // Load the data that will be used to train and evolve the Genomes
    let training_data: Vec<TrainingData> = load_training_data();
    
    // A Trainer can manage the process of training a population of Genomes
    // over successive generations.
    let mut trainer = Trainer::new(training_data);
    
    trainer.train(
        &mut gene_pool,
        // Train for 100 generations
        100,
    );
    // The winner!
    let best_genome = gene_pool.get_best_genome();
}

示例

该库包含两个简单的示例

• adding 示例将训练一个能够对输入求和的神经网络
  • 还有一个 adding_managed 变体，它通过上述描述的 train_population 接口训练相同类型的网络。
• compare 示例将训练一个神经网络，预测第一个输入是否大于第二个输入。

这两个示例都支持训练和评估。训练将测试多个代数的基因组，并将最佳基因组序列化到 winner.json。评估将接收一个序列化的基因组，将其输入给给定的输入，并打印输出。这可以用于手动验证训练的基因组，并测试训练数据之外的情况。

例如，要训练新的 adding 基因组，运行

cargo run --example adding train

您应该看到类似以下输出

Evaluating generation 1
Species 0 Genome 0 increased best fitness to 0
Species 0 Genome 1 increased best fitness to 0.000030846237
Species 0 Genome 33 increased best fitness to 0.001098452
Species 0 Genome 58 increased best fitness to 0.56081927
Evaluating generation 2
Species 0 Genome 79 increased best fitness to 0.7184653
Evaluating generation 3
Species 0 Genome 79 increased best fitness to 15.087382
Evaluating generation 4
<much more of this redacted>
Evaluating generation 100
Serializing best genome to winner.json

完成此过程后，您可以手动评估冠军。例如

$ cargo run --example adding evaluate winner.json 2 5 7 9
Sum of inputs is..........23
$ cargo run --example adding evaluate winner.json 2 5 7 9
Sum of inputs is..........23
$ cargo run --example adding evaluate winner.json 2 53 7 9
Sum of inputs is..........71
$ cargo run --example adding evaluate winner.json 2 53 7 91
Sum of inputs is..........153
$ cargo run --example adding evaluate winner.json 2 53 17 91
Sum of inputs is..........163
$ cargo run --example adding evaluate winner.json 12 53 17 91
Sum of inputs is..........173
$ cargo run --example adding evaluate winner.json 12 53 33317 91
Sum of inputs is..........33473
$ cargo run --example adding evaluate winner.json 12 53 33317 9132
Sum of inputs is..........42514
$ cargo run --example adding evaluate winner.json 1211 53 33317 9132
Sum of inputs is..........43713

请注意，训练网络本质上是随机的，并且高度依赖于您给出的训练数据。您的获胜基因组可能的表现与上面不同。

文档

完整文档可以在 https://docs.rs/neuralneat 找到。