目录
• 第一部分 入门
• 第1章 进化深度学习简介
• 1.1 什么是进化深度学习
• 1.2 EDL的缘由与应用领域
• 1.3 深度学习优化的需求
• 1.4 用自动化机器学习实现自动优化
• 1.5 进化深度学习的应用
• 1.5.1 模型选择：权重搜索
• 1.5.2 模型架构：架构优化
• 1.5.3 超参数调优
• 1.5.4 验证和损失函数的优化
• 1.5.5 神经增强拓扑结构
• 1.6 本章小结
• 第2章 进化计算简介
• 2.1 Google Colaboratory中的康威生命游戏
• 2.2 用Python进行生命模拟
• 2.3 将生命模拟作为优化
• 2.4 向生命模拟添加进化
• 2.4.1 模拟进化
• 2.4.2 练习
• 2.4.3 关于达尔文和进化的背景知识
• 2.4.4 自然选择和适者生存
• 2.5 Python中的遗传算法
• 第二部分 优化深度学习
• 第3章 使用DEAP介绍遗传算法
• 3.1 DEAP中的遗传算法
• 3.1.1 使用DEAP解决一维最大化问题
• 3.1.2 练习
• 3.2 解决“王后开局”问题
• 3.3 旅行商问题
• 3.3.1 构建旅行商问题求解器
• 3.3.2 练习
• 3.4 改进进化的遗传操作符
• 3.5 使用EvoLisa进行绘画
• 3.6 本章小结
• 第4章 使用DEAP进行更多的进化计算
• 4.1 基于DEAP的遗传编程
• 4.2 使用DEAP的策略优化
• 4.3 使用DEAP的函数优化
• 4.4 使用DEAP的参数优化
• 4.5 本章小结
• 第5章 自动超参数优化
• 5.1 选项选择和超参数调优
• 5.1.1 调优策略
• 5.1.2 选择模型类型
• 5.2 使用随机搜索自动化超参数优化过程
• 5.3 网络搜索和超参数优化
• 5.4 使用进化计算进行超参数优化
• 5.4.1 将PSO用于超参数优化
• 5.4.2 将进化计算和DEAP添加到自动化超参数优化中
• 5.5 本章小结
• 第6章 神经进化优化
• 6.1 使用NumPy的多层感知器
• 6.2 将遗传算法作为深度学习优化器
• 6.3 神经优化的其他方法
• 6.4 构建变分自编码器
• 6.5 理解优化的局限性
• 6.6 本章小结
• 第7章 进化卷积神经网络
• 7.1 回顾Keras中的卷积
• 7.2 将网络架构编码成基因
• 7.3 创建交叉操作
• 7.4 开发一个自定义突变操作符
• 7.5 训练GA
• 7.6 本章小结
• 第8章 生成式深度学习与进化
• 8.1 生成对抗网络（GAN）
• 8.1.1 GAN简介
• 8.1.2 在Keras中构建卷积生成对抗网络
• 8.1.3 练习
• 8.2 训练GAN的挑战
• 8.2.1 GAN优化问题
• 8.2.2 观察梯度消失
• 8.2.3 观察GAN中的模式坍塌
• 8.2.4 观察GAN中的收敛失败
• 8.2.5 练习
• 8.3 使用Wasserstein损失修复GAN
• 8.3.1 理解Wasserstein损失
• 8.3.2 使用Wasserstein损失改进DC - GAN
• 8.4 对Wasserstein DC - GAN编码，以便进行进化优化
• 8.5 使用遗传算法优化DC - GAN
• 8.6 本章小结
• 第三部分 高级应用
• 第9章 生成式深度学习与进化
• 9.1 生成对抗网络（GAN）
• 9.1.1 GAN简介
• 9.1.2 在Keras中构建卷积生成对抗网络
• 9.1.3 练习
• 9.2 训练GAN的挑战
• 9.2.1 GAN优化问题
• 9.2.2 观察梯度消失
• 9.2.3 观察GAN中的模式坍塌
• 9.2.4 观察GAN中的收敛失败
• 9.2.5 练习
• 9.3 使用Wasserstein损失修复GAN
• 9.3.1 理解Wasserstein损失
• 9.3.2 使用Wasserstein损失改进DC - GAN
• 9.4 对Wasserstein DC - GAN编码，以便进行进化优化
• 9.5 使用遗传算法优化DC - GAN
• 9.6 本章小结
• 第10章 NEAT：神经进化拓扑
• 10.1 探索NEAT - Python
• 10.2 可视化进化的NEAT网络
• 10.3 通过NEAT的功能进行练习
• 10.4 使用NEAT对图像进行分类
• 10.5 揭示种群细分在进化中的作用
• 10.5.1 调整NEAT的物种划分
• 10.5.2 练习
• 10.6 本章小结
• 第11章 使用NEAT进行进化学习
• 11.1 强化学习
• 11.1.1 冰湖上的Q - learning智能体
• 11.1.2 练习
• 11.2 学习
• 第四部分 进化领域前沿问题
• 第12章 进化机器学习及其拓展领域
• 12.1 基因表达编程中的进化和机器学习
• 12.2 重新审视使用Geppy的强化学习
• 12.3 介绍本能学习
• 12.4 遗传编程中的泛化
• 12.5 计算与进化学习
• 12.5.1 进化是否出现了问题？
• 12.5.2 进化可塑性
• 12.5.3 利用可塑性改进进化
• 12.6 本章小结
• 第13章 探索OpenAI Gym中的复杂问题
• 13.1 使用NEAT解决OpenAI Gym中的学习问题
• 13.2 使用NEAT智能体解决Gym中的月球着陆器问题
• 13.3 使用DON解决Gym中的倒立摆问题
• 13.4 本章小结
• 第14章 本能学习
• 14.1 本能学习的基础知识
• 14.2 发展通用本能
• 14.3 进化出本能学习解决方案
• 14.4 本章小结
• 第15章 进化学习的未来
• 15.1 进化是否出现了问题？
• 15.2 利用本能深度学习和深度强化学习进行泛化
• 15.3 利用可塑性改进进化
• 15.4 本章小结
• 附录A 获取和运行代码
读书摘要与主要内容介绍
《进化深度学习：遗传算法和神经网络》这本书深入探讨了进化深度学习这一交叉领域，将遗传算法与神经网络相结合，用于解决复杂的机器学习问题。
一、内容结构
- 第一部分：入门
• 第1章：进化深度学习简介
• 介绍了进化深度学习（EDL）的基本概念、应用领域和优化需求，以及如何通过自动化机器学习实现自动优化。还包括在模型选择、架构优化、超参数调优等方面的应用。
• 第2章：进化计算简介
• 通过Google Colaboratory中的康威生命游戏引入进化计算，讲解了如何用Python进行生命模拟和进化，以及相关的背景知识和遗传算法在Python中的实现。
- 第二部分：优化深度学习
• 第3 - 8章
• 这部分主要围绕如何使用遗传算法（通过DEAP库）来优化深度学习中的各个环节。包括解决常见的优化问题（如旅行商问题）、自动超参数优化、神经进化优化、进化卷积神经网络、生成式深度学习与进化等内容。每章都通过实例和练习，帮助读者理解如何将遗传算法应用到具体的深度学习任务中。
- 第三部分：高级应用
• 第9 - 11章
• 进一步深入到高级应用领域，如更深入地探讨生成式深度学习与进化，包括生成对抗网络（GAN）的训练挑战和优化方法，以及使用NEAT（神经进化拓扑）进行进化学习，包括强化学习和其他学习方法的应用。
- 第四部分：进化领域前沿问题
• 第12 - 15章
• 探索了进化机器学习及其拓展领域，包括基因表达编程中的进化和机器学习、重新审视使用Geppy的强化学习、本能学习等前沿话题。还讨论了在OpenAI Gym中解决复杂问题的方法，以及对进化学习未来发展方向的展望。
- 附录A：获取和运行代码
• 提供了获取和运行书中代码的方法，方便读者实践操作。
二、主要内容
书中详细阐述了如何利用遗传算法对神经网络进行优化和进化。从基础的进化计算和深度学习概念入手，逐步深入到复杂的应用场景。例如，在自动超参数优化章节中，讲解了如何通过遗传算法自动搜索最佳的超参数，以提高深度学习模型的性能。在生成式深度学习与进化章节中，探讨了如何通过进化算法改进生成对抗网络（GAN），解决GAN训练中的收敛失败、模式坍塌等问题。
此外，书中还涉及了一些前沿的研究方向，如本能学习，展示了进化深度学习在未来可能的发展方向。通过大量的实例、练习和代码，读者可以深入理解和实践进化深度学习的方法和技术，适用于对机器学习、进化计算和神经网络感兴趣的专业人士和研究人员。