如何查询pyGAD遗传算法实例的最优解并调用其完成预测
实现最优神经网络推理的操作方法
你拿到的best_solution[0]是神经网络所有权重、偏置扁平化拼接后的一维数组,本身没有绑定网络结构,不能直接推理。pygad的GANN模块提供了现成的向量还原、预测接口,操作时不需要手动拆分数组维度。
操作步骤
- 初始化和训练阶段结构完全一致的GANN实例
网络层数、每层神经元数、激活函数必须和训练时的参数完全匹配,避免权重对应位置错位。示例代码:gann_instance = pygad.gann.GANN( num_solutions=1, num_neurons_input=input_layer_size, num_neurons_output=output_layer_size, num_neurons_hidden_layers=[hidden_layer_1_size, hidden_layer_2_size], hidden_activations=["relu", "relu"], output_activation="None" ) - 将最优解向量还原为网络权重矩阵
调用官方工具完成一维向量到各层权重的拆分、填充:best_solution_vector = best_solution[0] # 接口要求输入的种群向量为二维格式,对最优向量做一层包装 best_network_matrices = pygad.gann.population_as_matrices( population_networks=gann_instance.population_networks, population_vectors=np.array([best_solution_vector]) ) # 将还原的权重更新到GANN实例 gann_instance.update_population_trained_weights(population_trained_weights=best_network_matrices) - 调用预测接口获取结果
还原后的网络可直接输入特征数据输出预测值:best_prediction = pygad.nn.predict( last_layer=gann_instance.population_networks[0], data_inputs=function_inputs, problem_type="regression" )
注意事项
- 不要手动拆分一维解向量。pygad内部对权重的拼接顺序有固定规则,手动拆分极易出现维度错位。
- 加载后的
saved_population对象本身存储了全种群的扁平化权重向量,但不会同步保存训练阶段的GANN网络结构,重新初始化同结构的GANN实例是最稳妥的还原方式。 - 若需要查看某一层的具体权重,可直接访问
gann_instance.population_networks[0]的层级属性,获取对应层的权重、偏置值。
内容的提问来源于stack exchange,提问作者Sachintha
相关产品推荐
相关产品推荐

