การสร้างโครงข่ายประสาทเทียมแรกด้วย TensorFlow

ในบทเรียนนี้ เราจะสร้างโครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าอย่างง่ายโดยใช้ TensorFlow ซึ่งเป็นเฟรมเวิร์กยอดนิยมสำหรับสร้างและฝึกแบบจำลองการเรียนรู้ของเครื่อง

ขั้นตอนที่ 1: การตั้งค่า TensorFlow

ขั้นแรก ตรวจสอบให้แน่ใจว่าได้ติดตั้ง TensorFlow แล้ว หากยังไม่ได้ติดตั้ง คุณสามารถติดตั้งได้โดยใช้:

pip install tensorflow

เราจะนำเข้าไลบรารีที่จำเป็นสำหรับบทเรียนนี้ด้วย

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

ขั้นตอนที่ 2: การเตรียมชุดข้อมูล

สำหรับตัวอย่างนี้ เราจะใช้ชุดข้อมูลอย่างง่ายที่ข้อมูลนำเข้าเป็นคุณลักษณะเดียว และผลลัพธ์มีค่าเป็นสองเท่าของข้อมูลนั้น:

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

ขั้นตอนที่ 3: การสร้างแบบจำลอง

เราจะสร้างแบบจำลองอย่างง่ายที่มีชั้นข้อมูลนำเข้าหนึ่งชั้น ชั้นซ่อนหนึ่งชั้น และชั้นผลลัพธ์หนึ่งชั้น ชั้นซ่อนจะใช้ฟังก์ชันการกระตุ้น ReLU

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

ขั้นตอนที่ 4: การคอมไพล์แบบจำลอง

เราคอมไพล์แบบจำลองด้วย:

• ฟังก์ชันความสูญเสีย: ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยสำหรับงานการถดถอย
• ตัวปรับให้เหมาะที่สุด: การลงตามเกรเดียนต์แบบสุ่ม (SGD)

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

ขั้นตอนที่ 5: การฝึกแบบจำลอง

เราฝึกแบบจำลองโดยใช้ข้อมูลฝึกเป็นจำนวน 500 รอบการฝึก ระหว่างการฝึก แบบจำลองจะเรียนรู้เพื่อลดค่าความสูญเสีย

# Train the model
model.fit(X, y, epochs=500, verbose=1)

ขั้นตอนที่ 6: การทำนาย

หลังการฝึก เราสามารถใช้แบบจำลองเพื่อทำนายข้อมูลใหม่ได้:

# Predict on new data
print(model.predict([6]))

ขั้นตอนที่ 7: การประเมินแบบจำลอง

เราประเมินประสิทธิภาพของแบบจำลองกับข้อมูลฝึก เพื่อให้แน่ใจว่าแบบจำลองเรียนรู้รูปแบบได้อย่างถูกต้อง:

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

การประยุกต์ใช้ในโลกจริง

โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าที่สร้างด้วย TensorFlow สามารถนำไปใช้กับงานต่อไปนี้:

• การวิเคราะห์เชิงพยากรณ์: การพยากรณ์ยอดขายและแนวโน้ม
• การจำแนกประเภท: การตรวจจับสแปมและการตรวจจับการฉ้อโกง
• การถดถอย: การพยากรณ์ราคาและการพยากรณ์ความต้องการ

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้:

• สร้างและฝึกโครงข่ายประสาทเทียมอย่างง่ายโดยใช้ TensorFlow
• เรียนรู้ขั้นตอนสำคัญ ได้แก่ การเตรียมชุดข้อมูล การสร้างแบบจำลอง การคอมไพล์ และการฝึก
• สร้างการคาดการณ์และประเมินประสิทธิภาพของแบบจำลอง

ต่อไป เราจะสำรวจวิธีขยายโครงข่ายประสาทเทียมไปเป็นสถาปัตยกรรมที่ซับซ้อนยิ่งขึ้น เช่น โครงข่ายประสาทเทียมแบบคอนโวลูชัน (ซีเอ็นเอ็น) สำหรับงานประมวลผลภาพ