การใช้งาน Implement Neural Network 2 Layers ในภาษา Fortran แบบง่ายๆ

หากคุณเป็นคนหนึ่งที่กำลังเข้าสู่โลกของการเขียนโปรแกรมและ Machine Learning อย่างเช่น Neural Networks คุณอาจจะนึกภาพการเขียนโค้ดในภาษา Python หรือภาษาอื่นๆ ที่มีไลบรารีย์ช่วยให้การพัฒนาเรียนรู้ได้อย่างรวดเร็ว แต่ที่นี่เราจะมาลองใช้งาน Neural Network ในภาษา Fortran ซึ่งเป็นภาษาที่มีความเข้มข้นทางด้านการคำนวณและวิทยาศาสตร์ที่มากมาย

ทำความรู้จักกับ Neural Network

Neural Network หรือที่เรียกว่าระบบประสาทเทียม เป็นโมเดลทางคณิตศาสตร์ที่พัฒนาขึ้นมาเพื่อเลียนแบบการทำงานของสมองมนุษย์ โดยมีโครงสร้างที่ประกอบด้วย "นิวรอน" ซึ่งเชื่อมต่อกันในชั้นต่างๆ ในที่นี้เราจะพูดถึง Neural Network ที่มี 2 ชั้น โดยมี ชั้น Input และ ชั้น Output.

โครงสร้างและการทำงานของ Neural Network 2 Layers

วิธีการทำงาน

การทำงานของ Neural Network จะใช้ฟังก์ชัน Activation เพื่อกำหนดการเรียนรู้ของระบบ การเรียนรู้จะเกิดขึ้นจากการปรับน้ำหนัก weight ของนิวรอนในแต่ละชั้น การสร้างฟังก์ชัน loss จะช่วยให้มีการวัดความผิดพลาดของผลลัพธ์ที่เกิดจากการทำนายเมื่อเปรียบเทียบกับผลลัพธ์จริง

โค้ดตัวอย่างในภาษา Fortran

ด้านล่างนี้คือตัวอย่างโค้ดที่แสดงการสร้าง Neural Network ที่มี 2 ชั้นในภาษา Fortran:

 program neural_network_example
  implicit none
  integer, parameter :: input_size = 2, hidden_size = 2, output_size = 1
  real, dimension(input_size) :: inputs
  real, dimension(hidden_size) :: hidden
  real, dimension(output_size) :: outputs
  real, dimension(hidden_size, input_size) :: weights_input
  real, dimension(output_size, hidden_size) :: weights_hidden
  integer :: i, j

  ! Initializing weights randomly
  call random_seed()
  call random_number(weights_input)
  call random_number(weights_hidden)

  ! Example input
  inputs(1) = 0.5
  inputs(2) = 0.8

  ! Forward pass: Input layer to Hidden layer
  do i = 1, hidden_size
    hidden(i) = 0.0
    do j = 1, input_size
      hidden(i) = hidden(i) + weights_input(i, j) * inputs(j)
    end do
    hidden(i) = tanh(hidden(i)) ! Activation function
  end do

  ! Forward pass: Hidden layer to Output layer
  do i = 1, output_size
    outputs(i) = 0.0
    do j = 1, hidden_size
      outputs(i) = outputs(i) + weights_hidden(i, j) * hidden(j)
    end do
    outputs(i) = sigmoid(outputs(i)) ! Activation function
  end do

  print *, "Output: ", outputs(1)

contains

  function sigmoid(x) result(y)
    real :: x, y
    y = 1.0 / (1.0 + exp(-x))
  end function sigmoid

end program neural_network_example

อธิบายโค้ด

ในตัวอย่างโค้ดนี้:

- เราได้ประกาศขนาดของชั้นต่างๆ โดย `input_size`, `hidden_size` และ `output_size`

- เราได้กำหนดว่า `inputs` จะรับค่าเข้าไป 2 ค่า

- เราทำการส่งข้อมูลจากชั้น Input ไปยัง Hidden Layer โดยการคำนวณน้ำหนัก (weights) ที่ได้รับการสุ่มในตอนแรก

- การใช้ฟังก์ชัน Activation เช่น `tanh` สำหรับ Hidden Layer และ `sigmoid` สำหรับ Output Layer จะช่วยในกระบวนการเรียนรู้

- สุดท้ายเราจะพิมพ์ค่าผลลัพธ์ที่ได้จากด้าน Output

Use Cases ในโลกจริง

เหตุผลที่ควรเรียนรู้ Programming ที่ EPT

การเรียนรู้โปรแกรมในโลกปัจจุบันเป็นสิ่งที่สำคัญ โดยเฉพาะเมื่อเรากำลังพูดถึงเทคโนโลยีที่กำลังมีบทบาทสำคัญในชีวิตประจำวันของเรา EPT (Expert-Programming-Tutor) เป็นสถานที่ที่คุณสามารถเริ่มต้นการเรียนรู้การเขียนโปรแกรมและ Machine Learning ที่จะช่วยให้คุณสร้างองกรค์ที่ดี เมื่อคุณมีความรู้ในด้านนี้แล้ว คุณจะมีมืออาชีพที่เติบโตขึ้นในอุตสาหกรรมเทคโนโลยี

มาร่วมสร้างอนาคตกับเรา ทดลองเรียนรู้วิธีการเขียนโปรแกรมและกลายเป็นผู้เชี่ยวชาญที่สามารถพัฒนา Machine Learning Model อย่าง Neural Network ด้วยตัวคุณเอง!

---

หากคุณมีคำถามเพิ่มเติมเกี่ยวกับการเขียนโปรแกรมและการเรียนรู้ Algorithms ไม่ลังเลที่จะสอบถาม EPT เสมอ!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง