พื้นฐาน Keras - การใช้ Functional API ใน Keras

ในยุคปัจจุบันที่การเรียนรู้เชิงลึก (Deep Learning) กำลังเป็นที่นิยมอย่างแพร่หลาย Keras กลายเป็นหนึ่งในไลบรารีที่ได้รับความนิยมมากที่สุดสำหรับการสร้างและฝึกอบรมโมเดล Machine Learning โดยเฉพาะอย่างยิ่งเมื่อใช้งานร่วมกับ TensorFlow Keras มีอินเทอร์เฟซที่ใช้งานง่าย และยังมีเครื่องมือสองรูปแบบให้เลือกใช้ คือ Sequential API และ Functional API ในบทความนี้ เราจะพาคุณไปทำความรู้จักกับพื้นฐานของ Keras โดยเฉพาะการใช้ Functional API เพื่อสร้างโมเดลเชิงลึกที่มีความซับซ้อนยิ่งขึ้น

Keras Functional API คืออะไร?

Keras Functional API เป็นวิธีการหนึ่งในการสร้างโมเดลใน Keras ที่ยืดหยุ่นมากกว่า Sequential API และเหมาะสำหรับการออกแบบโครงสร้างโมเดลที่มีลำดับซับซ้อน โดยสามารถใช้ในการสร้างโมเดลที่มีการแก้ไขหลาย Input หรือ Output, โครงสร้างโมเดลที่ไม่ใช่ลำดับเดียว เช่น Multi-branch, และโครงข่ายที่มีการเชื่อมต่อที่ซับซ้อนกว่าเดิม

โครงสร้างโมเดลด้วย Functional API

Functional API ทำให้เราสามารถเชื่อมต่อ Layer ต่างๆ เข้าด้วยกันอย่างอิสระ โดยเริ่มจากการกำหนดอินพุตและโปรเซสทีละขั้นตอน จนกระทั่งกำหนดเอาท์พุต

from keras.layers import Input, Dense
from keras.models import Model

# กำหนด Input layer
inputs = Input(shape=(784,))

# เพิ่ม Hidden layers
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)

# กำหนด Output layer
outputs = Dense(10, activation='softmax')(x)

# สร้างโมเดล
model = Model(inputs=inputs, outputs=outputs)

ในตัวอย่างโค้ดด้านบน เราได้สร้างโมเดลการจำแนกขั้นต่ำด้วย Keras โดยใช้ Functional API โมเดลนี้มีโครงสร้างเป็น Fully Connected Neural Network ที่มี 2 Hidden Layers ทุกเลเยอร์ถูกนิยามพร้อมการใช้ฟังก์ชัน `Dense` ที่ให้นิยามการเชื่อมต่อแบบ fully-connected และมีฟังก์ชันการกระตุ้น (Activation Function) เป็น `relu` สำหรับเลเยอร์ซ่อนทั้งสอง ในส่วนของ Output layer เราใช้ฟังก์ชันการกระตุ้นเป็น `softmax` เพื่อทำนายคลาสที่เหมาะสม

ความซับซ้อนมากขึ้นและตัวอย่างการใช้งาน

Functional API ไม่เพียงแต่ทำให้เราสร้างโมเดลแบบเรียงลำดับได้เท่านั้น แต่ยังสามารถประกอบโครงสร้างที่ซับซ้อนเช่น โครงข่ายที่มีการแบ่งแยก (branch) หรือการแบ่งรวม (merge) ตัวอย่างเช่น โมเดลที่มีการทำงานหลายอินพุต:

from keras.layers import concatenate

# กำหนด Input layers
input_a = Input(shape=(64,))
input_b = Input(shape=(32,))

# เพิ่ม Layers สำหรับ Input A
x = Dense(16, activation='relu')(input_a)

# เพิ่ม Layers สำหรับ Input B
y = Dense(16, activation='relu')(input_b)

# รวมกัน (Merge) Layers
combined = concatenate([x, y])

# Output
z = Dense(1, activation='sigmoid')(combined)

# สร้างโมเดล
model = Model(inputs=[input_a, input_b], outputs=z)

ในตัวอย่างนี้ เราได้สร้างโมเดลที่ประมวลผล Input สองตัวที่ต่างกันและรวมผลลัพธ์ก่อนการคาดการณ์ขั้นสุดท้าย ซึ่งสามารถนำไปใช้ในแอปพลิเคชันที่ซับซ้อน เช่น ข้อมูลการประมวลผลที่หลากหลายหรือสัญญาณที่แตกต่างกันได้

ประโยชน์ของการใช้ Functional API

Functional API ช่วยให้ผู้ออกแบบโมเดลสามารถ:

- กำหนดโครงสร้างโมเดลที่ซับซ้อน เช่น Residual Connections หรือ Network in Network

- สร้างโมเดลที่มี Input หรือ Output หลายตัว

- สร้างโมเดลที่ซ้อนกันหลายเลเยอร์หรือการเชื่อมต่อที่ไม่สม่ำเสมอได้อย่างง่ายดาย

การฝึกอบรมและการประยุกต์ใช้

เมื่อโมเดลถูกสร้างขึ้นเรียบร้อยแล้ว เราสามารถใช้ฟังก์ชัน `compile` และ `fit` ของ Keras เพื่อทำการฝึกอบรมโมเดลได้ เช่นเดียวกับการใช้ Sequential API

# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# การฝึกอบรมโมเดล
model.fit([data_a, data_b], labels, epochs=10, batch_size=32)

บทสรุป

Keras Functional API เป็นเครื่องมือที่ทรงพลังที่ช่วยให้เราสามารถออกแบบโมเดลที่มีโครงสร้างซับซ้อนได้ในรูปแบบที่ยืดหยุ่น นำไปสู่การสร้างและการทดลองในการทดลองวิจัยและการพัฒนาแอปพลิเคชันต่างๆ การเรียนรู้และเข้าใจการใช้งาน Functional API จะช่วยเพิ่มความสามารถในการออกแบบและสร้างโมเดลที่มีประสิทธิภาพยิ่งขึ้น

หากคุณสนใจการศึกษาด้านการเขียนโปรแกรมหรือพัฒนาโมเดล Machine Learning เพิ่มเติม คุณอาจพิจารณามาเรียนที่ EPT ที่เรามีหลักสูตรและคำแนะนำจากผู้เชี่ยวชาญที่สามารถตอบสนองความต้องการของคุณได้อย่างลงตัว.

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

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