การสร้างโครงข่ายประสาทเทียมแรกของคุณด้วย TensorFlow

ในบทเรียนนี้ เราจะสร้างโครงข่ายประสาทเทียมแบบส่งต่อไปข้างหน้าอย่างง่ายโดยใช้ TensorFlow โดย TensorFlow เป็นกรอบการทำงานยอดนิยมสำหรับสร้างและฝึกแบบจำลองการเรียนรู้ของเครื่อง

ขั้นตอนที่ 1: การตั้งค่า TensorFlow

ขั้นแรก ตรวจสอบให้แน่ใจว่าได้ติดตั้ง TensorFlow แล้ว หากยังไม่ได้ติดตั้ง คุณสามารถติดตั้งได้โดยใช้:

pip install tensorflow

เราจะนำเข้าคลังโปรแกรมที่จำเป็นสำหรับบทเรียนนี้ด้วย

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 และผลลัพธ์มีค่าเป็นสองเท่าของข้อมูลนำเข้า:

# 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

เราจะสร้างแบบจำลองอย่างง่ายที่มีชั้นข้อมูลนำเข้า 1 ชั้น ชั้นซ่อน 1 ชั้น และชั้นผลลัพธ์ 1 ชั้น โดยชั้นซ่อนจะใช้ฟังก์ชันกระตุ้น 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

เราคอมไพล์แบบจำลองด้วยสิ่งต่อไปนี้:

• ฟังก์ชันการสูญเสีย: ค่าคลาดเคลื่อนกำลังสองเฉลี่ยสำหรับงานถดถอย
• ตัวเพิ่มประสิทธิภาพ: การไล่ระดับสีแบบสุ่ม (SGD)

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

ขั้นตอนที่ 5: การฝึกแบบจำลอง

เราฝึกแบบจำลองโดยใช้ข้อมูลฝึกเป็นจำนวน 500 รอบการฝึก ระหว่างการฝึก แบบจำลองจะเรียนรู้เพื่อลดค่าการสูญเสียให้ต่ำที่สุด

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

ขั้นตอนที่ 6: การสร้างคำทำนาย

หลังจากฝึกแล้ว เราสามารถใช้แบบจำลองเพื่อสร้างคำทำนายจากข้อมูลใหม่ได้:

# 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 สามารถนำไปใช้กับงานต่อไปนี้ได้:

• การวิเคราะห์เชิงพยากรณ์: การคาดการณ์ยอดขายและแนวโน้ม
• การจำแนกประเภท: การตรวจจับอีเมลขยะและการตรวจจับการฉ้อโกง
• การถดถอย: การทำนายราคาและการคาดการณ์อุปสงค์

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้:

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

ถัดไป เราจะสำรวจวิธีขยายโครงข่ายประสาทเทียมไปสู่สถาปัตยกรรมขั้นสูง เช่น โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNNs) สำหรับงานประมวลผลภาพ