Experiment config

Полный список параметров cnn_neat/experiment.py:

Параметр	Default	Диапазон	Описание
`seed`	`42`	\(\mathbb{Z}\)	Seed для RNG (val indices, эволюция)
`positive_class`	`0`	`0..9`	Класс CIFAR-10, считающийся позитивным

Параметр	Default	Диапазон	Описание
`input_image_size`	`(32, 32)`	\((H,W) \ge 1\)	Пространственный размер входа
`output_image_size`	`(1, 1)`	\((H,W) \ge 1\)	Размер выходной карты признаков
`num_input_views`	`1`	\(\ge 1\)	Число входных видов (views)
`max_hidden_layers`	`5`	\(\ge 0\)	\(L_\text{max}\) — макс. глубина
`max_neurons_per_layer`	`4`	\(\ge 1\)	\(N_\text{max}\) — макс. ширина
`activation`	`None`	`None`, `relu`, `gelu`, `tanh`, `leaky_relu`	Активация после каждого Conv2d
`output_readout`	`mean_minus_median`	`mean`, `mean_minus_median`	Агрегация выходного feature map
`input_channels`	`3`	\(\ge 1\)	Число каналов (RGB=3)
`allow_variable_channels`	`False`	bool	Переменные каналы на скрытых узлах
`allowed_channels`	`None` → `[3,8,16]`	список int	Доступные ширины каналов
`edge_weights`	`False`	bool	Обучаемые скалярные веса рёбер (softmax merge)

Параметр	Default	Диапазон	Описание
`population_size`	`100`	\(\ge 2\)	\(P\) — размер популяции
`num_generations`	`30`	\(\ge 1\)	Число поколений
`elite_percent`	`0.2`	\((0, 1)\)	\(\rho\) — доля элиты
`offspring_queue_recent_fraction`	`0.5`	\((0, 1)\)	Доля следующей pop из свежих offspring
`offspring_queue_max_size`	`1000`	int или `None`	Жёсткий cap очереди offspring

Параметр	Default	Описание
`fitness_tiered_enabled`	`False`	Двухступенчатый eval (screen → full val)
`fitness_screen_size`	`2048`	Stratified screen-val
`fitness_screen_survivor_fraction`	`0.5`	Доля pop на full val после screen
`fitness_screen_cache_enabled`	`True`	RAM-кеш screen-активаций элит
`fitness_screen_cache_max_entries`	`1000`	Макс. записей LRU
`fitness_screen_cache_max_bytes`	`50_000_000_000`	Бюджет RAM
`fitness_screen_indices_file`	`data/cifar10/fitness_screen_indices.json`	Путь к screen-индексам

Параметр	Default	Описание
`elite_refinement_enabled`	`False`	Двухстадийный отбор
`elite_refinement_every`	`1`	Частота (поколений)
`elite_refinement_pre_multiplier`	`2.0`	Pre-filter: \(\rho \cdot \text{mult}\)
`elite_refinement_train_epochs`	`10`	Эпох Adam
`elite_refinement_train_batch_size`	`128`	Batch size Adam
`elite_refinement_lr`	`1e-3`	Learning rate

Параметр	Default	Диапазон	Описание
`fitness_val_size`	`25000`	\([1, 50000]\)	Размер val-подмножества
`fitness_metric`	`balanced_accuracy`	см. §5.2	Целевая метрика
`eval_batch_size`	`45000`	\([256, 50000]\)	\(B_\text{cap}\) — максимальный batch при оценке
`eval_batch_size_min`	`256`	\([1, \ldots]\)	Нижний порог VRAM-контроллера
`adaptive_eval_batch_size`	`False`	bool	Адаптивный batch по VRAM
`vram_usage_threshold`	`0.80`	\((0, 1)\)	Порог деления batch надвое
`fitness_eval_parallel`	`1`	\(\ge 1\)	Число CUDA streams
`decision_rule`	`score`	`score`, `probability`, `quantile`	Правило классификации
`decision_threshold`	`0.0`	\(\mathbb{R}\)	Порог решения

Параметр	Default	Описание
`forward_runtime`	`eager`	`eager`, `compile`, `cuda_graph`
`torch_compile_mode`	`reduce-overhead`	режим `torch.compile`
`use_amp`	`True`	Automatic Mixed Precision (float16)
`cudnn_benchmark`	`False`	cuDNN autotune
`gpu_memory_fraction`	`0.85`	\(\alpha\) для адаптивного batch
`cuda_graph_memory_reserve_bytes`	`600_000_000`	\(M_\text{reserve}\) (600 МБ)
`cache_val_on_gpu`	`True`	Предзагрузить val на GPU
`cache_refinement_test_on_gpu`	`True`	Test на GPU для refinement
`cache_refinement_train_on_gpu`	`True`	Train на GPU для refinement
`offload_genome_after_eval`	`False`	Выгружать геном на CPU после eval
`keep_population_on_gpu_within_generation`	`True`	Держать pop на GPU внутри поколения (`gpu_resident`)
`adaptive_population_vram`	`True`	`PopulationVRAMManager`
`population_gpu_chunk_bytes`	`None`	Лимит весов на GPU-чанк (байты)
`cuda_memory_release_every_n_genomes`	`0`	`empty_cache` каждые N genomes при eval

Параметр	Default	Описание
`save_run_path`	`runs/cifar10_binary_notebook`	Корень run
`save_format`	`archive`	`archive` (единый JSON) или `legacy`
`live_dashboard_refresh_sec`	`5`	Интервал авто-обновления HTML
`live_dashboard_update_every`	`1`	Обновлять каждые N поколений