Machine learning 动态改变神经网络结构

我正在尝试实现一个整洁的算法，它涉及到动态改变神经网络结构，比如添加或删除节点和连接。我以前在监督学习方面的工作中一直在使用Tensorflow。但一旦在Tensorflow中定义了网络，它就无法更改。是否有其他框架提供此功能？

---

谢谢。

除非它是专门为NEAT设计的框架，不，不是真的。符号执行的本质必然意味着有一个“创建网络”步骤，然后是一个“运行/训练网络”步骤。不过，根据您更改网络拓扑的频率，Tensorflow肯定仍然可行：这意味着，每隔一段时间，就要保存所有参数，并制作一个新模型——但这可能并不可怕，取决于您的参数

如果你不喜欢这样，你可以用掩蔽的方法手动地把一些东西拼凑起来。也就是说，一些神经元被“屏蔽”并被移除，或者一些连接被“屏蔽”。要做到这一点，可以为所有参数设置一个0-1值的掩码，在应用之前将其预乘到参数中。保持“允许的”连接稀疏，但尽可能将所有其他连接紧密地连接在一起。在某种程度上，它会使您的速度变慢，因为会有一些额外的计算，但是

tf.cond

调用可能只通过有条件地执行就可以节省您的大部分时间。这不能让您完全自由地进行拓扑演化，但可以非常灵活