แนวคิด Boosted Trees ปรับปรุงประสิทธิภาพการทำนายโดยใช้หลายโมเดลร่วมกัน ผลลัพธ์รวมจากทุกโมเดล ใช้ Keras Sequential API สร้างโมเดล sequential ที่เลเยอร์แต่ละอันมี 1 input tensor และ 1 output tensor CNN มีเลเยอร์ convolutional อย่างน้อย 1 เลเยอร์ ใช้สร้างโมเดลเรียนรู้ รันบน Google Colab มี GPU ฟรี จะด

แนวคิด ใช้ matplotlib และ plot วาดกราฟ Training/Validation Accuracy และ Loss แนวคิด Transfer Learning สำหรับแมว-สุนัข Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Visualizing the data) plt.figure(figsize=(8, 8)) plt.subplot(2, 1, 1) plt.plot(acc, label=Training Accuracy) plt.plot(val_acc, label=Vali

แนวคิด ใช้ evaluate และ predict ประเมินและทำนายข้อมูล Flatten batch ภาพ ใช้ sigmoid ได้ logits เรียนรู้การจำแนกแมว-สุนัขด้วย Transfer Learning จาก pre-trained network แนวคิดเดียวกัน: โมเดลที่เทรนบนข้อมูลใหญ่ ใช้เป็น generic feature extractor ได้ รันบน Google Colab ตัวอย่างโค้ด print(Evaluation and

แนวคิด ใช้ get_file ดาวน์โหลดภาพเดี่ยวจาก Google API มาทดสอบโมเดล แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Run it on a single image) grace_hopper = tf.keras.utils.get_file(image.jpg, https://storage.googleapis.com/download.tensorflow.org/example_imag

แนวคิด แปลงภาพเป็น NumPy array เพิ่ม batch dimension แล้วส่งเข้โมเดลทำนาย แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด grace_hopper = np.array(grace_hopper)/255.0 print(The dimensions of the image are) print(grace_hopper.shape) result = classifier.predict(grace_ho

แนวคิด แปลงภาพเป็น NumPy array แล้วใช้ ImageNet labels ถอดรหัสการทำนาย แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Decoding the predictions) labels_path = tf.keras.utils.get_file(ImageNetLabels.txt, https://storage.googleapis.com/download.tensorflow.org

แนวคิด ใช้ image_dataset_from_directory โหลดข้อมูลภาพจากโฟลเดอร์ แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(The flower dataset) data_root = tf.keras.utils.get_file( flower_photos, https://storage.googleapis.com/download.tensorflow.org/example_image

แนวคิด แปลงชื่อคลาสเป็น NumPy array แล้วสร้าง Normalization Layer ด้วย Rescaling จาก tf.keras.layers.experimental.preprocessing แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(It contains 5 classes) class_names = np.array(train_ds.class_names) print(class_names

แนวคิด สร้าง Feature Extractor โดยใช้ buffered prefetching ตั้งค่า trainable=False เพื่อแช่แข็งน้ำหนัก แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE) print(The dimensions of data)

แนวคิด ใช้ matplotlib และ imshow แสดงภาพพร้อมคำทำนายจาก ImageNet แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Predictions are checked) plt.figure(figsize=(10,9)) plt.subplots_adjust(hspace=0.5) for n in range(30): plt.subplot(6,5,n+1) plt.imshow(imag

แนวคิด ใช้ Feature Extractor model ที่กำหนดไว้ผ่าน hub.KerasLayer เพื่อดึงฟีเจอร์จากภาพ แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Extracting features) feature_extractor_model = https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/4 feature_ext

แนวคิด ใช้ tf.keras.Sequential ที่มีเลเยอร์ Dense ร่วมกับ feature extractor model ที่กำหนดไว้ก่อนหน้า แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Attaching a classification head) num_classes = len(class_names) model = tf.keras.Sequential([ feature_extra

แนวคิด ใช้เมธอด fit เพื่อเทรนโมเดลกับข้อมูล แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Training for 2 epochs only) class CollectBatchStats(tf.keras.callbacks.Callback): def __init__(self): self.batch_losses = [] self.batch_acc = []

แนวคิด ใช้ matplotlib และเมธอด plot เพื่อวาดกราฟ Loss ต่อ Training Steps แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม ตัวอย่างโค้ด print(Visualizing the data - loss versus training steps) plt.figure() plt.ylabel(Loss) plt.xlabel(Training Steps) plt.ylim([0,2]) plt.plot(batch_s

แนวคิด ใช้เมธอด predict ของโมเดล และ argmax จาก NumPy เพื่อหาคลาสที่มีความน่าจะเป็นสูงสุด แนวคิด Transfer Learning และ TensorFlow Hub เหมือนบทก่อน รันบน Google Colab ตัวอย่างโค้ด print(The predictions are checked) predicted_batch = model.predict(image_batch) predicted_id = np.argmax(predicted_batc

แนวคิด ใช้ไลบรารี matplotlib และเมธอด imshow เพื่อแสดงภาพผลลัพธ์จากโมเดล แนวคิด Transfer Learning สำหรับ Image Classification: โมเดลที่เทรนบนข้อมูลใหญ่และทั่วไป จะทำหน้าที่เป็นโมเดลทั่วไปสำหรับโลกภาพได้เรียนรู้ feature maps แล้ว ไม่ต้องเริ่มเทรนโมเดลใหญ่จากศูนย์ TensorFlow Hub มีโมเดล pre-trained ใ

แนวคิด TensorFlow สามารถประกอบเลเยอร์ได้โดยการสร้างคลาสที่สืบทอดมาจาก ResnetIdentityBlock ใช้สำหรับกำหนดบล็อกที่นำไปประกอบเลเยอร์ต่างๆ ได้ Neural Network ที่มีเลเยอร์ Convolutional อย่างน้อย 1 เลเยอร์ เรียกว่า Convolutional Neural Network (CNN) ใช้สร้างโมเดลเรียนรู้ได้ TensorFlow Hub เป็นที่เก็บโมเ

โจทย์ สมมติมีไฟล์ products.csv ข้อมูล 100 แถว 8 คอลัมน์ ต้องการอ่านข้อมูล แล้วกรองเฉพาะ 10 แถวแรกที่คอลัมน์ product มีค่าเป็น Car ข้อมูลตัวอย่าง: Rows: 100 Columns: 8 id product engine avgmileage price height_mm width_mm productionYear 1 2 Car Diesel 21 16500 1530

TensorFlow คืออะไร TensorFlow เป็นเฟรมเวิร์ก Machine Learning ที่พัฒนาโดย Google เป็นโค้ดเปิด (open-source) ใช้ร่วมกับ Python เพื่อนำอัลกอริทึม Deep Learning และแอปพลิเคชันอื่นๆ ไปใช้งานจริง TensorFlow ใช้ทั้งในงานวิจัยและการผลิตจริง มีเทคนิคการเพิ่มประสิทธิภาพช่วยคำนวณทางคณิตศาสตร์ที่ซับซ้อนได้รวด

บทนำ ในต้นไม้แบบทวิภาค (Binary Tree) แต่ละโหนดจะมีลูกได้สูงสุดสองโหนด คือ ลูกซ้าย (left child) และลูกขวา (right child) เราต้องการตรวจสอบว่าต้นไม้แบบทวิภาคที่กำหนดเป็นต้นไม้ที่ สมดุล (Balanced) หรือไม่ ต้นไม้แบบทวิภาคถือว่าสมดุลหากความแตกต่างของความสูงระหว่างต้นไม้รองซ้ายและต้นไม้รองขวาของทุกโหนดมีค