我正在制作一个用于时间序列数据分析的机器学习程序，使用 NEAT 可以帮助这项工作。不久前我开始学习TensorFlow，但似乎TensorFlow中的计算图通常是固定的。TensorFlow 中是否有工具可以帮助构建动态演进的神经网络？或者像Pytorch这样的东西会是更好的选择？谢谢。
制作进化的张量流网络的一种方法是使用超neat或es-hyperneat算法，而不是在物种中的单个网络上运行进化，而是进化出一个"基因组"，实际上是编码表型神经网络的cppn。对于 cppn，您可以使用前馈张量流网络，但需要注意的是，每个节点都可以使用不同的激活函数，这让 cppn 能够查询"表型"神经网络的结构和权重，您可以使用通用张量流网络(或您选择的任何网络(
我会研究 neat python 和 peas 库，看看他们使用的网络，并使用 tensorflow 网络复制这些类。
它不能在没有重大权衡的情况下在 TensorFlow 的静态图模式下实现，因为群体中神经网络的拓扑结构会发生变化。静态图适用于在训练期间体系结构不会更改的模型。但是，它可以在TensorFlow Eager 或 PyTorch 中完成，因为它们支持动态计算图。
在 TensorFlow Eager： https://github.com/crisbodnar/TensorFlow-NEAT 中检查此实现
TensorFlow支持预先执行，可以支持任意动态的网络拓扑。