Результаты и графики

15. Места для графиков¶

Данный раздел содержит заглушки для графиков, которые должны быть получены в результате экспериментов. Файлы сохраняются в docs/figures/.

Рисунок 1. Кривые fitness по поколениям (baseline vs activations)

Рисунок 1: Кривые fitness

Ожидаемое содержимое: balanced_accuracy на val по поколениям для каждой активации (None, relu, gelu, tanh, leaky_relu). Источник: Фаза A аблационного исследования.

Рисунок 2. Сравнение финальных метрик: активации

Рисунок 2: Метрики активаций

Ожидаемое содержимое: столбчатая диаграмма balanced_accuracy (val) и ROC-AUC для каждой активации. Источник: Фаза A.

Рисунок 3. Влияние числа каналов на качество

Рисунок 3: Каналы

Ожидаемое содержимое: box-plot или bar-chart для C=3, [8,16,32], [3,8,16,32], [16,32,64]. Источник: Фаза B.

Рисунок 4. Матрица ошибок лучшего генома

Рисунок 4: Матрица ошибок

Ожидаемое содержимое: heatmap матрицы ошибок TP/TN/FP/FN лучшей конфигурации на val. Источник: run_report.html → matplotlib.

Рисунок 5. Топология DAG лучшей сети

Рисунок 5: Топология DAG

Ожидаемое содержимое: граф DAG лучшего генома: узлы (вход/скрытые/выход), рёбра с аннотациями Conv2d(C×C, K×K). Источник: arch_viz.py.

Рисунок 6. Динамика разнообразия популяции

Рисунок 6: Разнообразие

Ожидаемое содержимое: число уникальных топологий (structure_hash) по поколениям. Источник: topology_hashes.json.

Рисунок 7. Эффект Elite Refinement

Рисунок 7: Elite Refinement

Ожидаемое содержимое: balanced_accuracy до и после fine-tune для элиты; val vs test. Источник: elite_refinement.py + run_report.html.

Рисунок 8. Сравнение с периодическим GD

Рисунок 8: Periodic GD

Ожидаемое содержимое: кривые fitness для baseline vs periodic_gd_every5 vs periodic_gd_every10. Источник: Фазы C/D.

Рисунок 9. ROC-кривые по классам CIFAR-10

Рисунок 9: ROC

Ожидаемое содержимое: ROC-кривые для классов 0–9 на тестовом подмножестве. Источник: run_cifar10_class_suite.py.

Рисунок 10. Throughput vs batch size

Рисунок 10: Throughput

Ожидаемое содержимое: скорость форварда (образцов/сек) как функция batch size для режимов eager/compile/cuda_graph. Источник: benchmark_forward_epoch.py.