CodeUtility
ใช้ชีวิตนักพัฒนาให้ง่ายขึ้นไปอีก!
กลับไปยังโจทย์

เส้นทางการเรียนรู้ AI

สร้างโครงข่ายประสาทเทียมตั้งแต่ศูนย์ด้วย C++

15 โจทย์พาคุณจากผลคูณจุดไปสู่โครงข่ายที่เรียนรู้ XOR ได้ แล้วต่อไปยังตัวปรับค่าสมัยใหม่อย่าง Adam โดยไม่ใช้ไลบรารี AI: นิวรอน ฟังก์ชันกระตุ้น loss gradient backpropagation และการฝึก แก้ตามลำดับด้วย C++ ทุกโจทย์รันในเบราว์เซอร์พร้อมผลทดสอบทันทีและรีวิวจาก AI

เริ่มโจทย์แรก
  1. 1

    พื้นฐาน

    เวกเตอร์ ฟังก์ชันกระตุ้น และนิวรอนเดียว

    0/3
    1. 1 ผลคูณจุดของเวกเตอร์สองตัว ง่าย แก้โจทย์ด้วย C++
    2. 2 ฟังก์ชันกระตุ้น ง่าย แก้โจทย์ด้วย C++
    3. 3 นิวรอนเทียมหนึ่งตัว ง่าย แก้โจทย์ด้วย C++
  2. 2

    การส่งผ่านไปข้างหน้า

    เลเยอร์ โครงข่ายสองชั้น และฟังก์ชันค่าสูญเสีย

    0/3
    1. 1 การส่งผ่านไปข้างหน้าในเลเยอร์แบบ dense ปานกลาง แก้โจทย์ด้วย C++
    2. 2 การส่งผ่านไปข้างหน้าในโครงข่ายสองชั้น ปานกลาง แก้โจทย์ด้วย C++
    3. 3 ฟังก์ชันค่าสูญเสีย: MSE, MAE และครอสเอนโทรปี ง่าย แก้โจทย์ด้วย C++
  3. 3

    การฝึก

    เกรเดียนต์ การแพร่ย้อนกลับ และการลดเกรเดียนต์ จนแก้ XOR ได้

    0/5
    1. 1 อนุพันธ์ของฟังก์ชันกระตุ้น ง่าย แก้โจทย์ด้วย C++
    2. 2 เกรเดียนต์ของนิวรอนหนึ่งตัว ปานกลาง แก้โจทย์ด้วย C++
    3. 3 การแพร่ย้อนกลับในโครงข่ายสองชั้น ยาก แก้โจทย์ด้วย C++
    4. 4 ฝึกนิวรอนด้วยการลดเกรเดียนต์ ปานกลาง แก้โจทย์ด้วย C++
    5. 5 ฝึกโครงข่ายประสาทเทียมให้แก้ปัญหา XOR ยาก แก้โจทย์ด้วย C++
  4. 4

    ฝึกให้ดีขึ้น

    การกำหนดน้ำหนักเริ่มต้น mini-batch, momentum และ Adam

    0/4
    1. 1 การกำหนดน้ำหนักเริ่มต้นแบบ Xavier และ He ง่าย แก้โจทย์ด้วย C++
    2. 2 Gradient descent แบบ mini-batch ปานกลาง แก้โจทย์ด้วย C++
    3. 3 Gradient descent พร้อม momentum ง่าย แก้โจทย์ด้วย C++
    4. 4 ตัวปรับค่า Adam ปานกลาง แก้โจทย์ด้วย C++