สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

AI / Machine Learning

The brief history of artificial intelligence - ประวัติศาสตร์ AI ฉบับย่อ Jupyter Notebook on AWS Pandas Tutorials ตรวจจับตำแหน่งของมือจากกล้องเว็บแคมแบบเรียลไทม์ด้วย Python ง่าย ๆ ใน 2 นาที ตรวจจับวัตถุด้วย Python ใน 5 Steps ใช้ AI แบ่งส่วนภาพคนกับฉากหลังแบบง่าย ๆ แป๊บเดียวเสร็จ ใช้ AI บอกท่าทางคนด้วย Code เพียง 15 บรรทัด สร้างแอนิเมชันจากตัวการ์ตูนที่เราวาดเองด้วย Code 2 บรรทัด สร้างไฟล์ท่าเต้นสุดคิวท์ให้ตัวการ์ตูนเต้นตามใน 1 คำสั่ง Artificial Intelligence (AI) Machine Learning 8 Fun Machine Learning ProjectsFor Beginner การหาค่าเหมาะที่สุด (Optimization) Mathematical Optimization Top 20 Python Machine Learning Open Source Projects Introduction to Neural Networks Introduction to Deep Learning with TensorFlow Installing TensorFlow for Deep Learning - OPTIONAL Deep Learning with TensorFlow - Creating the Neural Network Model Deep Learning with TensorFlow - How the Network will run พื้นฐาน TensorFlow - TensorFlow คืออะไร พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Windows, macOS, และ Linux พื้นฐาน TensorFlow - การติดตั้ง TensorFlow สำหรับ GPU พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Google Colab พื้นฐาน TensorFlow - ความเข้าใจพื้นฐานเกี่ยวกับ Tensor (Tensor คืออะไร) พื้นฐาน TensorFlow - การใช้ tf.constant() เพื่อสร้าง Tensor พื้นฐาน TensorFlow - การใช้ tf.Variable() เพื่อสร้างตัวแปร พื้นฐาน TensorFlow - การเปลี่ยนแปลงค่าของ Tensor พื้นฐาน TensorFlow - การทำงานกับ Operations ใน TensorFlow พื้นฐาน TensorFlow - การใช้ tf.add(), tf.subtract(), tf.multiply() TensorFlow การจัดการกับ Tensors - การเปลี่ยนรูปทรงของ Tensor ด้วย tf.reshape() TensorFlow การจัดการกับ Tensors - การเปลี่ยนชนิดข้อมูลของ Tensor ด้วย tf.cast() TensorFlow การจัดการกับ Tensors - การตัดแบ่งและรวม Tensor ด้วย tf.split() และ tf.concat() TensorFlow การจัดการกับ Tensors - การสร้าง Tensors แบบสุ่มด้วย tf.random() TensorFlow การจัดการกับ Tensors - การใช้งาน Broadcasting ใน TensorFlow TensorFlow การจัดการกับ Tensors - การคำนวณค่าเฉลี่ยและผลรวมของ Tensor TensorFlow การจัดการกับ Tensors - การหาค่าสูงสุดและต่ำสุดใน Tensor TensorFlow การจัดการกับ Tensors - การสร้าง Identity Matrix ด้วย tf.eye() TensorFlow การจัดการกับ Tensors - การหา Trace ของ Matrix TensorFlow การจัดการกับ Tensors - การคำนวณ Determinant ของ Matrix TensorFlow การทำงานกับกราฟ - การสร้าง Computational Graph TensorFlow การทำงานกับกราฟ - การใช้ Autograph ใน TensorFlow TensorFlow การทำงานกับกราฟ - การใช้ tf.function เพื่อเร่งความเร็วการทำงาน TensorFlow การทำงานกับกราฟ - การตรวจสอบ Graph ด้วย tf.summary TensorFlow การทำงานกับกราฟ - การใช้ TensorBoard เพื่อแสดงผล Graph TensorFlow การทำงานกับกราฟ - การทำงานกับ Control Flow (เช่น tf.while_loop, tf.cond) TensorFlow การทำงานกับกราฟ - การสร้าง Custom Operations TensorFlow การทำงานกับกราฟ - การใช้ Gradient Tape เพื่อคำนวณอนุพันธ์ TensorFlow การทำงานกับกราฟ - การทำ Automatic Differentiation TensorFlow การทำงานกับกราฟ - การใช้งาน Gradient Descent Optimizer TensorFlow การสร้างและจัดการโมเดล - การใช้ Sequential API ในการสร้างโมเดล TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Functional API TensorFlow การสร้างและจัดการโมเดล - การสร้าง Custom Layers ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การสร้างและฝึกโมเดลด้วย Model.fit() TensorFlow การสร้างและจัดการโมเดล - การปรับแต่งโมเดลด้วย Model.compile() TensorFlow การสร้างและจัดการโมเดล - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy TensorFlow การสร้างและจัดการโมเดล - การใช้งาน Optimizers เช่น Adam, SGD TensorFlow การสร้างและจัดการโมเดล - การทำ Regularization ในโมเดล (L1, L2) TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Keras API ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การบันทึกและโหลดโมเดลที่ฝึกแล้วด้วย Model.save() และ Model.load_model() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก CSV ด้วย tf.data.Dataset TensorFlow การทำงานกับข้อมูล - การใช้ tf.data.Dataset.from_tensor_slices() เพื่อสร้าง Dataset TensorFlow การทำงานกับข้อมูล - การปรับขนาดและแปลงรูปภาพใน Dataset TensorFlow การทำงานกับข้อมูล - การทำงานกับ Batch Data ด้วย Dataset.batch() TensorFlow การทำงานกับข้อมูล - การใช้ Dataset.map() เพื่อแปลงข้อมูล TensorFlow การทำงานกับข้อมูล - การทำ Shuffling ข้อมูลด้วย Dataset.shuffle() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก TFRecord Files TensorFlow การทำงานกับข้อมูล - การเขียนข้อมูลเป็น TFRecord Files TensorFlow การทำงานกับข้อมูล - การทำ Prefetching ข้อมูลเพื่อเพิ่มความเร็ว TensorFlow การทำงานกับข้อมูล - การทำงานกับ Sequence Data ใน TensorFlow TensorFlow การประมวลผลภาพ - การใช้ TensorFlow กับชุดข้อมูล MNIST TensorFlow การประมวลผลภาพ - การโหลดและแสดงรูปภาพด้วย TensorFlow TensorFlow การประมวลผลภาพ - การทำงานกับ tf.image สำหรับการจัดการรูปภาพ TensorFlow การประมวลผลภาพ - การทำการเปลี่ยนขนาดรูปภาพ (Resizing) TensorFlow การประมวลผลภาพ - การทำการหมุนและสะท้อนรูปภาพ TensorFlow การประมวลผลภาพ - การทำ Image Augmentation TensorFlow การประมวลผลภาพ - การทำ Normalization ของภาพ TensorFlow การประมวลผลภาพ - การทำการปรับแต่งข้อมูลสำหรับการฝึกโมเดล (Data Preprocessing) TensorFlow การประมวลผลภาพ - การทำการจัดแบ่งข้อมูลเป็น Training และ Testing Sets TensorFlow การประมวลผลภาพ - การใช้ ImageDataGenerator ในการจัดการข้อมูลภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้าง Convolutional Neural Network (CNN) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งาน Convolution Layers TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Max Pooling และ Average Pooling TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Dropout เพื่อป้องกัน Overfitting TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Transfer Learning ด้วยโมเดลที่ถูกฝึกมาแล้ว (Pre-trained Models) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งานโมเดลเช่น VGG16, ResNet, Inception TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประยุกต์ใช้ Fine-Tuning ในโมเดล Pre-trained TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การทำการทำนายภาพด้วยโมเดลที่ถูกฝึก TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประเมินผลการทำนายด้วย Accuracy และ Confusion Matrix TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้าง Recurrent Neural Network (RNN) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Simple RNN Layers TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Long Short-Term Memory (LSTM) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Gated Recurrent Unit (GRU) TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างโมเดลเพื่อทำนาย Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การจัดการกับ Sequence Padding TensorFlow การทำงานกับ Sequential Data และ Time Series - การทำงานกับ Variable Length Sequences TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้ Attention Mechanism ใน Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างและฝึก Transformer Networks TensorFlow การทำงานกับ Sequential Data และ Time Series - การประยุกต์ใช้โมเดล RNN/LSTM ในการสร้าง Text Generation TensorFlow การประมวลผลข้อความ (Text Processing) - การทำงานกับข้อความใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Tokenization เพื่อแปลงข้อความเป็นตัวเลข TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้าง Embeddings ด้วย tf.keras.layers.Embedding TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Word2Vec ใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การทำการรู้จำความหมายในประโยคด้วย Sentiment Analysis TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับการจำแนกข้อความ TensorFlow การประมวลผลข้อความ (Text Processing) - การทำ Sequence to Sequence Learning TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Attention Mechanism ใน NLP TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับ Machine Translation TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Pre-trained Transformers เช่น BERT, GPT-2 ใน TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Generative Adversarial Networks (GANs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Discriminator และ Generator ใน GAN TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Conditional GAN (cGAN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Variational Autoencoders (VAEs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Self-Supervised Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การประยุกต์ใช้ Reinforcement Learning ด้วย TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Proximal Policy Optimization (PPO) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Deep Q-Learning (DQN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้างและฝึกโมเดล Deep Reinforcement Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ TensorFlow Lite เพื่อ Deploy โมเดลบน Mobile พื้นฐาน Keras - Keras คืออะไร พื้นฐาน Keras - ความแตกต่างระหว่าง Keras และ TensorFlow พื้นฐาน Keras - การติดตั้ง Keras ผ่าน TensorFlow พื้นฐาน Keras - Keras API คืออะไร พื้นฐาน Keras - การใช้ Keras กับ TensorFlow พื้นฐาน Keras - การใช้ Keras บน Google Colab พื้นฐาน Keras - ความเข้าใจเกี่ยวกับ Sequential API ใน Keras พื้นฐาน Keras - การใช้ Functional API ใน Keras พื้นฐาน Keras - การใช้ Model Subclassing ใน Keras พื้นฐาน Keras - การใช้ Input() ในการสร้าง Input Layer การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดล Sequential ด้วย Keras การสร้างโมเดลพื้นฐานใน Keras - การเพิ่มเลเยอร์ในโมเดลด้วย model.add() การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การเชื่อมโยงเลเยอร์หลายทางด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลแบบมีหลายอินพุตและหลายเอาต์พุต การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dense ใน Keras การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Activation เพื่อเพิ่มฟังก์ชันการกระตุ้น การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dropout เพื่อป้องกันการ Overfitting การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ BatchNormalization เพื่อเร่งความเร็วในการฝึกโมเดล การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Flatten เพื่อทำให้ Tensor แบนราบ Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ model.compile() เพื่อเตรียมโมเดลสำหรับการฝึก Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเลือกใช้ Optimizers เช่น SGD, Adam, RMSprop Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเพิ่ม Metrics ในการประเมินโมเดล เช่น Accuracy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Loss Function Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การสร้าง Custom Metric Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Optimizer Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การทำงานกับ Learning Rate Scheduling Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Early Stopping เพื่อป้องกันการ Overfitting Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ ReduceLROnPlateau เพื่อลดค่า Learning Rate อัตโนมัติ การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย model.fit() การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย Mini-batch Gradient Descent การฝึกโมเดลใน Keras - การประเมินผลโมเดลด้วย model.evaluate() การฝึกโมเดลใน Keras - การทำนายผลลัพธ์ด้วย model.predict() การฝึกโมเดลใน Keras - การใช้ Validation Data ในการฝึกโมเดล การฝึกโมเดลใน Keras - การปรับแต่งจำนวน Epochs และ Batch Size การฝึกโมเดลใน Keras - การทำ Cross-Validation ใน Keras การฝึกโมเดลใน Keras - การใช้ fit_generator() สำหรับการฝึกข้อมูลขนาดใหญ่ การฝึกโมเดลใน Keras - การใช้ Callbacks ใน Keras การฝึกโมเดลใน Keras - การเก็บข้อมูลการฝึกด้วย History Object การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลด้วย model.save() การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ HDF5 การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ SavedModel (TensorFlow) การบันทึกและโหลดโมเดลใน Keras - การโหลดโมเดลด้วย load_model() การบันทึกและโหลดโมเดลใน Keras - การบันทึกเฉพาะน้ำหนักโมเดลด้วย model.save_weights() การบันทึกและโหลดโมเดลใน Keras - การโหลดน้ำหนักโมเดลด้วย model.load_weights() การบันทึกและโหลดโมเดลใน Keras - การใช้ Checkpoint เพื่อบันทึกโมเดลระหว่างการฝึก การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลแบบ Sequential และ Functional API การบันทึกและโหลดโมเดลใน Keras - การทำการบันทึกโมเดลหลายเวอร์ชันด้วย Checkpoints การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลที่ดีที่สุดด้วย EarlyStopping และ Checkpoints การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจากไฟล์ CSV ด้วย Keras การทำงานกับข้อมูลใน Keras - การใช้ ImageDataGenerator สำหรับการโหลดและแปลงข้อมูลภาพ การทำงานกับข้อมูลใน Keras - การทำ Image Augmentation ด้วย ImageDataGenerator การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจาก tf.data.Dataset การทำงานกับข้อมูลใน Keras - การทำงานกับ Sequence Data ด้วย TimeseriesGenerator การทำงานกับข้อมูลใน Keras - การใช้ pad_sequences เพื่อจัดการกับข้อมูลที่ไม่สมดุล การทำงานกับข้อมูลใน Keras - การทำ Normalization ของข้อมูลด้วย StandardScaler การทำงานกับข้อมูลใน Keras - การทำ One-Hot Encoding ของข้อมูลที่เป็นหมวดหมู่ การทำงานกับข้อมูลใน Keras - การแยกข้อมูลเป็นชุดการฝึกและชุดการทดสอบ การทำงานกับข้อมูลใน Keras - การโหลดข้อมูล MNIST ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างเลเยอร์ Convolution ด้วย Conv2D Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ MaxPooling และ AveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ GlobalMaxPooling และ GlobalAveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ Dropout ร่วมกับ CNN เพื่อป้องกัน Overfitting Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การเพิ่ม BatchNormalization ใน CNN เพื่อเร่งความเร็วการฝึก Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Padding กับเลเยอร์ Convolution Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Dilated Convolution ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การทำ Fine-Tuning โมเดล CNN Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Transfer Learning ร่วมกับโมเดล CNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Simple RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Long Short-Term Memory (LSTM) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Gated Recurrent Unit (GRU) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในการทำนาย Time Series Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้าง Text Generation ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Bidirectional RNN ใน Keras Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Attention Mechanism ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การทำ Sequence-to-Sequence Learning ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การจัดการกับ Sequence Padding ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในงาน NLP Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำภาพด้วย CNN Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Pre-trained Models เช่น VGG16, ResNet Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Transfer Learning ในงานการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล MobileNet สำหรับการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segment ภาพด้วย Fully Convolutional Networks (FCN) Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segmentation ด้วย UNet Keras การสร้างโมเดลการประมวลผลภาพ - การทำการตรวจจับวัตถุด้วย YOLO (You Only Look Once) Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล SSD (Single Shot Multibox Detector) Keras การสร้างโมเดลการประมวลผลภาพ - การทำ Image Captioning ด้วย CNN + RNN Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำใบหน้า Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Tokenizer ในการจัดการกับข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การสร้าง Word Embedding ด้วย Embedding Layer Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Pre-trained Word Embeddings เช่น GloVe Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ One-Hot Encoding ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับ Sentiment Analysis Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับการจำแนกข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ Seq2Seq Models ในการแปลภาษา Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดล Text Generation Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Attention Mechanism ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การประยุกต์ใช้ BERT และ GPT-2 ใน Keras

Installing TensorFlow for Deep Learning - OPTIONAL

หมายเหตุ: บทความนี้เป็นส่วนหนึ่งของ "บทความชุด Article with Machine Translation" ซึ่งเป็นการแปลบทความจากต้นฉบับภาษาต่างประเทศด้วย Machine translation ดังนั้นจึงมีข้อผิดพลาดอยู่หลายจุด ขอให้ผู้อ่านโปรดใช้วิจารณญาณในการอ่าน ทาง EPT ไม่ขอรับประกันว่าข้อมูลที่ท่านได้อ่านเป็นข้อมูลที่ถูกต้อง และไม่ขอรับผิดชอบความเสียหายใด ๆ ที่เกิดต่อผู้อ่านทั้งทางร่างกาย จิตใจ ทรัพย์สิน ฯลฯ นะครับ

ติดตั้ง TensorFlow สำหรับการเรียนรู้ที่ลึกขึ้น - ไม่ได้จำเป็นมาก

 

https://youtu.be/CvspEt8kSIg?list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v

ผมจะทิ้งการเรียนการสอนนี้ไว้ที่นี่สำหรับคนที่ต้องการจะใช้เครื่องเสมือนจริง ใน ช่วงเวลาที่ทำการเรียนการสอนนี้ TensorFlow ไม่ได้ถูกสนับสนุนบน Windows แต่ตอนนี้สามารถใช้งานได้แล้ว ถ้าคุณต้องการที่จะติดตั้งเวอร์ชั่น CPU ของ TensorFlow มันง่ายมากๆ ถ้าคุณต้องการติดตั้งเวอร์ชั่น GPU ของ TensorFlow คุณสามารถไปดูได้ที่ :

Installing GPU TensorFlow on Linux

Installing GPU TensorFlow on Windows

เป็นการเรียนการสอนอันเก่าสำหรับการใช้เครื่องเสมือนจริงบน Windows ด้วย TensorFlow :

*** นี่เป็นการเรียนการสอนที่ไม่ได้จำเป็นมาก สำหรับการติดตั้ง TensorFlow ถ้า คุณมี Mac หรือ Linux การเรียนการสอนนี้ก็ไม่จำเป็นสำหรับคุณ ก็แค่ไปที่ TensorFlow.org > get started > pip installation คุณต้องใช้แค่ 2-3 คำสั่งในการ รันและทั้งหมดของคุณจะถูกตั้งไว้แล้ว สำหรับคนที่ใช้ Windows คุณจำเป็นที่จะ ต้องใช้ Docker หรือไม่ก็เครื่องเสมือนจริงเพื่อทำการติดตั้ง TensorFlow ผมเลือก เครื่องเสมือนจริงเนื่องจากมันง่ายและต่อมาอาจจะใช้ dual boot แทน ***

คุณมีอิสระที่จะเลือกใช้อะไรก็ได้ในการ setup แต่ในความเห็นส่วนตัวผมจะใช้ Ubuntu 16.04 บนเครื่องเสมือนจริง บนเครื่อง Windows ของผม ในตอนนี้ ยังไม่ ค่อยชัดเจนนักเกี่ยวกับเรื่องที่ว่าแพลตฟอร์มอะไรที่ผู้คนจะดำเนินการโมเดล  machine learning ของพวกเขาบนนั้น ดังนั้น คนที่รู้ว่าชนิดของระบบปฏิบัติการ นั้นคืออะไร จะกลายเป็นคนเจ๋งในตอนจบสำหรับสาขานี้ ให้รู้สึกอิสระที่จะใช้วิธีใดก็ ตามที่คุณต้องการ มันไม่ได้สำคัญอะไรนักในตอนนี้ แต่ผมจะค่อยๆรันอย่างคร่าวๆ ผ่าน setup ของเครื่องเสมือนจริง อย่างแรกเลย Download Virtualbox เขาจะ ช่วยให้คุณสามารถจำลององค์ประกอบต่างๆของคุณเช่นการแบ่งพาร์ติชันของ CPU , GPU , และ drive space (พื้นที่ว่างบนไดรฟ์) ต่อไป คุณจำเป็นที่จะต้อง มีระบบการดำเนินการ ผมเลือก Ubuntu 16.04 64bit ถ้าคุณมี processor ขนาด 64bit แล้วคุณสามารถที่จะรันภาพ 64bit ได้ แต่คุณจะต้องเปิดใช้งานการจำลอง เสมือนฮาร์ดแวร์มากที่สุดภายในการตั้งค่า BIOS ของคุณ ซึ่งจะถูกพบได้อย่าง ชัดเจนในการตั้งค่า BIOS ของคุณและภายใต้ส่วนของ CPU ทุกๆ motherboard มีความแตกต่างกัน ดังนั้น ผมไม่สามารถที่จะระบุเจาะจงอะไรไปได้มากกว่านี้ แค่ดูไปรอบๆที่การตั้งค่าและ advanced settings มองหาตัวเลือกการตั้งค่า CPU

เมื่อคุณมี VirtualBox software และรูปของระบบการดำเนินการที่คุณต้องการจะใช้ แล้ว ให้คลิก "new" ภายใน VirtualBox ตั้งชื่อเครื่องใหม่ของคุณ เลือกชนิดและ เวอร์ชั่นของระบบการดำเนินการของคุณและไปที่ตัวเลือก ถัดไป

ถ้าคุณต้องการเห็นผมทำตัวเลือกเหล่านี้ในเวลาจริงๆ คุณสามารถดูได้ที่วิดีโอ อย่าง ไรก็ตาม การ setup เป็นการทำอะไรที่ตรงไปข้างหน้าเรื่อยๆ เลือกขนาด fixed-size harddrive บางอย่างที่เป็นอย่างน้อย 20+GB ผมเลือก 50. VDI. เลือกบางสิ่งบาง อย่างที่เพียงพอสำหรับหน่วยความจำ คุณจำเป็นที่จะต้องมี หน่วยความจำหลงเหลืออยู่สำหรับเครื่อง host ของคุณ ดังนั้น อย่าให้มันกินเนื้อที่ ทั้งหมด

เมื่อคุณทำเสร็จแล้ว คุณสามารถที่จะ double click บน virtualbox เพื่อพยายามที่ จะเริ่มต้นมันและคุณจะได้รับข้อความว่า ไม่มีอะไรให้ boot หรือไม่ก็ไม่มีอะไรใน boot drive จากตรงนี้ คุณสามารถเลือกภาพการติดตั้ง Ubuntu ที่ดาวน์โหลดมา เมื่อเร็วๆนี้ได้และเริ่มต้นทำกระบวนการการติดตั้ง ขณะที่กำลังติดตั้ง คุณจะได้รู้ เกี่ยวกับว่าคุณต้องการที่จะลบเนื้อหา harddrive ของคุณหรือไม่และแทนที่มันด้วย Ubuntu ถ้ารู้สึกว่าไม่ค่อยสะดวกสบายเท่าไหร่เลย คำตอบ คือ ใช่ มันคืออะไรที่ คุณต้องการจะทำ สิ่งนี้จะทำความสะอาดการติดตั้งบน harddrive เสมือนจริงของ คุณ ไม่ใช่อันจริงๆ

เมื่อการติดตั้งเสร็จสมบูรณ์ คุณก็จะพร้อมที่จะ reset ตัว virtualbox การ Restart ด้วย prompt ไม่ได้ดูมากเกินไปสำหรับผม ดังนั้น คุณสามารถที่จะปิดหน้าต่างเพื่อ power down หรือไม่ก็คลิกขวาที่ virtualbox ของคุณจาก GUI และเลือกมันหรือ  ไม่ก็ shut down 

เมื่อคุณปิดเครื่องเสมือนจริงของคุณ คุณสามารถคลิกขวามันและไปที่การตั้งค่า ขณะนั้น ไปที่ระบบและกำหนดด้วยตัวเองมากกว่าจำนวนเริ่มต้นของซีพียู (1) สิ่งนี้ จะถูกจัดสรรให้สำหรับเครื่องเสมือนจริงของคุณเมื่อมันเปิดเท่านั้น ไม่ได้ ตลอดเวลา คุณอาจต้องการให้ตัวคุณเองดูหน่วยความจำวิดีโออันอื่นๆที่มากขึ้น

ตอนนี้ boot พวกมันขึ้นมาและคุณอาจจะสังเกตเห็นว่าคุณไม่ได้รับความละเอียดที่ ดีมาก คุณสามารถเรียกใช้ข้อมูลต่อไปนี้เพื่อเปิดใช้งานหน้าจอที่ปรับขนาดได้ :

sudo apt-get install virtualbox-guest-utils virtualbox-guest-x11 virtualbox-guest-dkms

 

ตอนนี้เราพร้อมแล้วที่จะทำการติดตั้ง TensorFlow บนเครื่องของพวกเรา คุณจำ เป็นที่จะต้องมี Python3 ด้วยแต่อันนี้มันมาพร้อมกับ Ubuntu 16.04 เรียบร้อย แล้ว ไปที่ TensorFlow.org คลิกที่ get started และ "pip installation" ที่แถบด้าน ข้าง บางสิ่งบางอย่างอาจดูแตกต่างกันออกไป ถ้าคุณดูการเรียนการสอนนี้ในภาย หลัง อย่างไรก็ตาม ผมพยายามอย่างถึงที่สุดที่จะอัปเดตเวอร์ชั่นที่เขียนนี้ไปตาม สิ่งที่เปลี่ยนไปแล้ว ดังนั้น ในหน้า pip installation คำแนะนำอย่างแรก คือ การ ให้เราทำการรัน :

$ sudo apt-get install python3-pip python3-dev

 

ข้างบนนี้รันใน Terminal ของคุณ ใน Ubuntu คุณสามารถกด ctrl+alt+t เพื่อให้ สิ่งนี้ขึ้นมาบน GUI desktop ของคุณได้ เพราะผมรันเวอร์ชั่น 64 bit ของ Linux (Ubuntu) เลยมี Python 3.5 และต้องการเวอร์ชั่น CPU ผมเลือก :

# Ubuntu/Linux 64-bit, CPU only, Python 3.5
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/ cpu/tensorflow-0.9.0-cp35-cp35m-linux_x86_64.whl

 

ต่อไปก็รัน

$ sudo pip3 install --upgrade $TF_BINARY_URL

 

แล้วก็เสร็จแล้ว ในการทดสอบ เราสามารถพิมพ์ python3 ใน console และลอง import tensorflow ถ้ามันใช้งานได้ ทั้งหมดของเราถูกตั้งไว้แล้ว!

ผมจะใช้ Sublime Text   ในการแก้ไขไฟล์ Python ใช้อะไรก็ได้ที่คุณชอบ บน Ubuntu เมื่อคุณ download .deb file แล้ว คุณจำเป็นที่จะต้องรัน : sudo dpkg -i /path/to/deb/file and then sudo apt-get install -f 

ในการเรียนการสอนต่อไป เราจะครอบคลุมถึงการใช้งานเบื้องต้นของ TensorFlow

การเรียนการสอนถัดไป : https://pythonprogramming.net/tensorflow-introduction-machine-learning-tutorial/?completed=/installing-tensorflow-machine-learning-tutorial/

 

References :

https://pythonprogramming.net/installing-tensorflow-machine-learning-tutorial/

 


Tag ที่น่าสนใจ: tensorflow deep_learning installation machine_translation virtualbox linux windows gpu python ubuntu tensorflow_installation virtual_machine docker sublime_text


บทความนี้อาจจะมีที่ผิด กรุณาตรวจสอบก่อนใช้

หากมีข้อผิดพลาด/ต้องการพูดคุยเพิ่มเติมเกี่ยวกับบทความนี้ กรุณาแจ้งที่ http://m.me/Expert.Programming.Tutor

ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

แผนผังการเรียนเขียนโปรแกรม

Link อื่นๆ

Allow sites to save and read cookie data.
Cookies are small pieces of data created by sites you visit. They make your online experience easier by saving browsing information. We use cookies to improve your experience on our website. By browsing this website, you agree to our use of cookies.

Copyright (c) 2013 expert-programming-tutor.com. All rights reserved. | 085-350-7540 | 084-88-00-255 | ntprintf@gmail.com

ติดต่อเราได้ที่

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM
แผนที่ ที่ตั้งของอาคารของเรา