uber提出的基于并行遗传算法来进行深度神经网络训练的训练模型
2018-02-22 19:55
330 查看
由于本人对并行遗传算法非常熟悉,所以去年一直在考虑用并行遗传算法进行深度神经网络的训练(http://blog.csdn.net/lijianhua1205/article/details/72786057),目前,共享专车巨头Uber集中发布了5篇通过用并行遗传算法来优化神经网络的神经进化(neuroevolution),叫做Deep Genetic Algorithm (DeepGA),这种办法也成为增强学习(RL)中训练深度神经网络的一种有效方法。
论文地址:https://arxiv.org/abs/1712.06567
Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning
开源项目地址
GitHub地址:https://github.com/uber-common/deep-neuroevolution
有人可能会问,这个uber为什么对这个那么感兴趣呢,其实这个可以用于任何策略任务包括无人驾驶领域的训练,知道意义重大了吧
遗传算法是决策领域的终极武器,也是最贴切的反应了智能生物的进化模式,遗传算法和深度神经网络的结合是必然的趋势
论文地址:https://arxiv.org/abs/1712.06567
Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning
开源项目地址
GitHub地址:https://github.com/uber-common/deep-neuroevolution
有人可能会问,这个uber为什么对这个那么感兴趣呢,其实这个可以用于任何策略任务包括无人驾驶领域的训练,知道意义重大了吧
遗传算法是决策领域的终极武器,也是最贴切的反应了智能生物的进化模式,遗传算法和深度神经网络的结合是必然的趋势
相关文章推荐
- 基于caffe特征可视化 以及 用训练好的模型进行分类 2
- 基于并行遗传算法优化的深度神经网络模型
- 基于caffe特征可视化 以及 用训练好的模型进行分类
- 对训练得到的模型进行测试
- 使用Caffe训练适合自己样本集的AlexNet网络模型,并对其进行分类
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- DL开源框架Caffe | 用训练好的模型对数据进行预测
- 基于caffe在已有模型上进行微调finetune
- 前沿 | 利用遗传算法优化神经网络:Uber提出深度学习训练新方式
- 使用判别训练的部件模型进行目标检测 Object Detection with Discriminatively Trained Part Based Models
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- 从头开始编写基于隐含马尔可夫模型HMM的中文分词器之二 - 模型训练与使用
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- OpenAI发布最新「模拟机器人环境」,用「真实机器人」模型进行训练
- 【Python学习系列十六】基于scikit-learn库逻辑回归训练模型(delta比赛代码)
- 在c++程序中调用caffe训练完毕的模型进行分类
- 基于深度学习的病毒检测技术无需沙箱环境,直接将样本文件转换为二维图片,进而应用改造后的卷积神经网络 Inception V4 进行训练和检测
- 将tf训练的权重保存为CKPT,PB ,CKPT 转换成 PB格式。并将权重固化到图里面,并使用该模型进行预测
- 机器学习---人脸对齐的基于形状模型的训练
- TensorFlow学习笔记(八) 如何训练自己的图片模型-基于inception模型(未完成)使用迁移学习和从头学习