พื้นฐาน Keras - การใช้ Keras บน Google Colab

การพัฒนาโมเดลปัญญาประดิษฐ์ (AI) และการเรียนรู้เชิงลึก (Deep Learning) ในปัจจุบันทำได้ง่ายขึ้นด้วยหลายๆ แพลตฟอร์มที่มีอยู่ หนึ่งในเครื่องมือที่ใหญ่และเป็นที่นิยมคือ Keras โดยเป็น API ที่ใช้งานง่ายบนโปรเจ็ค TensorFlow จาก Google Keras ช่วยให้นักพัฒนาสามารถสร้างโมเดลการเรียนรู้เชิงลึกได้ง่ายขึ้น และในครั้งนี้ เราจะมาเรียนรู้การใช้ Keras บน Google Colab ซึ่งเป็นสภาพแวดล้อมออนไลน์ที่ให้เราใช้ GPU ฟรี

Keras คืออะไร?

Keras เป็น Deep Learning API ที่เขียนด้วย Python ซึ่งสามารถทำงานบน backends หลายตัว เช่น TensorFlow, Microsoft Cognitive Toolkit, และ Theano Keras ถูกออกแบบมาให้ใช้งานง่ายและส่งเสริมการทดลองอย่างรวดเร็ว ข้อดีของ Keras รวมถึงการมีอินเตอร์เฟซที่สวยงามใช้งานได้สะดวก สามารถปรับแต่งตามความต้องการได้ และมีการจัดการข้อผิดพลาดที่ดี

ทำไมต้องใช้ Google Colab?

Google Colab คือเครื่องมือที่ให้นักพัฒนาสามารถเขียนและรันโค้ด Python ในเว็บเบราเซอร์ได้ โดยมีข้อดีหลายประการ:

การใช้งาน Keras บน Google Colab

เพื่อเริ่มต้นใช้งาน Keras บน Google Colab คุณสามารถทำตามขั้นตอนง่ายๆ ดังนี้:

1. เปิด Google Colab

ไปที่ [Google Colab](https://colab.research.google.com/) และสร้าง Notebook ใหม่หรือเปิด Notebook ที่มีอยู่แล้ว

2. ตรวจสอบการใช้งาน TensorFlow

ในขณะที่ Google Colab ส่วนใหญ่จะมี TensorFlow ติดตั้งมาให้แล้ว เราควรตรวจสอบเวอร์ชั่นและอัปเกรดให้เป็นเวอร์ชั่นล่าสุด

# ตรวจสอบเวอร์ชั่น TensorFlow ที่ติดตั้งอยู่
import tensorflow as tf
print(tf.__version__)

# ปรับให้อัปเดต TensorFlow เป็นเวอร์ชั่นล่าสุด
!pip install --upgrade tensorflow

3. เขียนและรันโค้ด Keras เบื้องต้น

เพื่อทำความเข้าใจการทำงานของ Keras เราจะเริ่มต้นด้วยการสร้างโมเดลการจำแนกภาพง่ายๆ ด้วย dataset ที่เป็นที่นิยมอย่าง MNIST ซึ่งเป็นชุดข้อมูลของตัวเลขที่เขียนด้วยมือ

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.utils import to_categorical

# โหลดชุดข้อมูล MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# ปรับสเกลข้อมูลให้อยู่ระหว่าง 0 และ 1
x_train, x_test = x_train / 255.0, x_test / 255.0

# เปลี่ยน label เป็น one-hot encoding
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# สร้างโมเดล
model = Sequential([
    Flatten(input_shape=(28, 28)),  # เปลี่ยนข้อมูลจาก 2D เป็น 1D
    Dense(128, activation='relu'),  # เพิ่ม Dense layer
    Dense(10, activation='softmax') # Output layer
])

# คอมไพล์โมเดล
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# ฝึกสอนโมเดล
model.fit(x_train, y_train, epochs=5)

# ประเมินผลโมเดล
test_loss, test_acc = model.evaluate(x_test, y_test)
print('\nTest accuracy:', test_acc)

สรุป

การใช้ Keras บน Google Colab ช่วยให้นักพัฒนามือใหม่สามารถเรียนรู้การสร้างและฝึกสอนโมเดลการเรียนรู้เชิงลึกได้อย่างง่ายดาย พร้อมทั้งได้ทดลองทำงานร่วมกับเครื่องมือที่มีความสามารถสูง ในสภาพแวดล้อมที่ไม่ต้องเสียค่าใช้จ่ายเพิ่มเติม นักพัฒนาและผู้ที่สนใจสามารถใช้ประโยชน์จากสิ่งเหล่านี้ในการศึกษาปัญญาประดิษฐ์และเพิ่มขีดความสามารถของการพัฒนาแอปพลิเคชันเชิงลึก

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

หากเจอข้อผิดพลาด หรือต้องการพูดคุย ติดต่อได้ที่ https://m.me/expert.Programming.Tutor/