不用诸如自编码器等无监督的逐层训练方式，而采用遗传演算法直接搜索整个深层神经网路的权重等参数是否可行？
（1）不考虑效率问题
（2）是否更容易引起过拟合
可以，随机搜索也可以，前提是你能承受计算复杂度的爆炸
……我只能说，你可以试一试………
large scale的问题。简单来说：规模大的时候参数无法编码。小规模的问题，早已有解决
首先我觉得题主你第一个前提有点屌。如果不考虑效率都行，是我就直接蒙特卡罗法在n维空间疯狂取 10^xx 次方取点暴力求解。
综合考虑效率和拟合效果。
（我不知道你的具体问题模型是啥所以也不太好说。）
对于以前做的图像处理匹配，我有时用遗传演算法做第一层网路的估计解，当做初始值。剩下的因为后面的神经元也相对少所以直接训练。给我的感觉还是，没有过拟合，结果还行（遗传演算法给网路初始值的办法就是防止局部最小的……），但是等遗传演算法繁殖n代实在是时间有点久。。
相比之下他的亲戚粒子群跑的很快。不过。。识别率差10%
以及一个直接神经网路的训练，4层，1024输入，我没等他跑完直接关了。。
最后说你说的过拟合，不单单和网路初始值有关，还和学习速度以及学习方式最大步数等等参数挂钩，光凭一个xx演算法看不出什么倪端。
遗传演算法，是在你手头没有演算法的情况下才用的，所谓last choice
庞大的参数学习，交叉、变异复杂度都极高，而且你还要承受无止境的迭代··
很早以前有人做过了，你可以找找九十年代的文献。还能够连权重带结构一起学习。我记得后来好像就没人用了。
推荐阅读：
