โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า

โครงข่ายประสาทเทียมแบบส่งต่อไปข้างหน้า

โครงข่ายประสาทเทียมแบบส่งต่อไปข้างหน้าเป็นโครงข่ายประสาทเทียมแบบเทียมที่ง่ายที่สุด ในสถาปัตยกรรมนี้ ข้อมูลจะไหลไปในทิศทางเดียว จากชั้นข้อมูลนำเข้าไปยังชั้นผลลัพธ์ โดยไม่วนย้อนกลับ

โครงข่ายแบบส่งต่อไปข้างหน้าประกอบด้วย:

• ชั้นข้อมูลนำเข้า: รับข้อมูลดิบ
• ชั้นซ่อน: ดำเนินการคำนวณและดึงคุณลักษณะ
• ชั้นผลลัพธ์: สร้างผลลัพธ์สุดท้าย

แต่ละชั้นจะเชื่อมต่อกับชั้นถัดไปอย่างสมบูรณ์

การแพร่ไปข้างหน้าคือกระบวนการส่งข้อมูลผ่านโครงข่าย:

1. นำข้อมูลนำเข้ามาคูณกับค่าน้ำหนัก แล้วบวกด้วยค่าไบแอส
2. ใช้ฟังก์ชันกระตุ้นเพื่อทำให้เกิดความไม่เป็นเชิงเส้น
3. คำนวณผลลัพธ์แล้วส่งต่อไปยังชั้นถัดไป

เราจะสร้างโครงข่ายแบบส่งต่อไปข้างหน้าอย่างง่ายโดยใช้ไพธอน โครงข่ายนี้มี:

• เซลล์ประสาทข้อมูลนำเข้า 2 เซลล์
• ชั้นซ่อน 1 ชั้นที่มีเซลล์ประสาท 3 เซลล์
• เซลล์ประสาทผลลัพธ์ 1 เซลล์

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

การฝึกประกอบด้วยการปรับน้ำหนักและค่าไบแอสเพื่อลดค่าคลาดเคลื่อน:

1. คำนวณค่าคลาดเคลื่อน (ความแตกต่างระหว่างค่าที่ทำนายกับค่าจริง)
2. ใช้อัลกอริทึมการหาค่าเหมาะที่สุด เช่น การลดลงตามเกรเดียนต์ เพื่อปรับปรุงค่าน้ำหนัก
3. ทำกระบวนการนี้ซ้ำหลายรอบ (ยุคการฝึก)

โครงข่ายแบบส่งต่อไปข้างหน้ามีลักษณะดังนี้:

• เรียบง่ายและนำไปใช้งานได้ง่าย
• มีประสิทธิภาพสำหรับงานต่าง ๆ เช่น การถดถอยและการจำแนกประเภทเบื้องต้น
• มีประสิทธิภาพด้านการคำนวณสำหรับชุดข้อมูลขนาดเล็ก

โครงข่ายแบบส่งต่อไปข้างหน้ามีข้อเสียบางประการ:

• ไม่มีหน่วยความจำสำหรับข้อมูลแบบลำดับ
• มีแนวโน้มเรียนรู้เกินพอดีเมื่อใช้ข้อมูลฝึกจำนวนน้อย
• ต้องปรับแต่งพารามิเตอร์ระดับสูง เช่น อัตราการเรียนรู้ อย่างรอบคอบ

มีการใช้โครงข่ายแบบส่งต่อไปข้างหน้าในงานต่อไปนี้:

• การวินิจฉัยทางการแพทย์: การทำนายโรคจากอาการ
• การตรวจจับการฉ้อโกง: การระบุกิจกรรมน่าสงสัยในธุรกรรมทางการเงิน
• การทำนายราคาหุ้น: การประมาณมูลค่าหุ้นในอนาคต

ในบทเรียนนี้ เราได้:

• ศึกษาโครงสร้างและการทำงานของโครงข่ายประสาทเทียมแบบส่งต่อไปข้างหน้า
• สร้างโครงข่ายแบบส่งต่อไปข้างหน้าอย่างง่ายโดยใช้ไพธอน
• พูดถึงข้อดีและข้อจำกัดของสถาปัตยกรรมนี้

ถัดไป เราจะเจาะลึกอัลกอริทึมการแพร่ย้อนกลับ ซึ่งช่วยให้โครงข่ายประสาทเทียมเรียนรู้ได้อย่างมีประสิทธิภาพด้วยการปรับน้ำหนักและค่าไบแอสให้เหมาะสม