AI-For-Beginners/translations/km/lessons/3-NeuralNetworks/05-Frameworks

ស៊ី្ទឹមបណ្តាញប្រព័ន្ធប្រឧត្តិ

ដូចដែលយើងបានរៀនរួចហើយ ដើម្បីអាចបណ្តុះបណ្តាលស៊ី្ទឹមបណ្តាញប្រព័ន្ធប្រឧត្តិបានយ៉ាងមានប្រសិទ្ធភាព យើងត្រូវតែធ្វើពីររឿង៖

• ដើម្បីប្រតិបត្តិបើលលើ tensor, ឧទាហរណ៍ ដើម្បីគុណ, បូក និងគណនាអនុគមន៍មួយចំនួនដូចជា sigmoid រឺ softmax
• ដើម្បីគណនាភាពត្រឹមត្រូវនៃសមីការទាំងអស់ ដើម្បីអនុវត្តន៍ការបន្ថយដោយគ្រាប់ជ្រៅ (gradient descent)

សំណួរពិសោធន៍មុនមេរៀន

ក្នុងខណៈដែលបណ្ណាល័យ numpy អាចធ្វើផ្នែកដំបូងបាន យើងត្រូវតែប្រើមុខងារមួយសម្រាប់គណនាភាពត្រឹមត្រូវ។ នៅក្នុង ស៊ី្ទឹមរបស់យើង ដែលយើងបានអភិវឌ្ឍនៅផ្នែកមុន យើងត្រូវបានកម្មង់ដោយដៃសម្រាប់មុខងារច្របាច់ទាំងអស់នៅក្នុងវិធីសាស្រ្ត backward ដែលអនុវត្តបន្សល់ត្រឡប់ក្រោយ (backpropagation)។ ដោយល្អបំផុត ស៊ី្ទឹមគួរតែផ្តល់ឱកាសឲ្យយើងអាចគណនាភាពត្រឹមត្រូវនៃ សមីការណ៍ណាមួយ ដែលយើងអាចកំណត់បាន។

រឿងសំខាន់មួយផ្សេងទៀតគឺអាចអនុវត្តន៍ការគណនានៅលើ GPU រឺឧបករណ៍កំព្យូទ័រពិសេសផ្សេងទៀត ដូចជា TPU។ ការបណ្តុះបណ្តាលស៊ី្ទឹមបណ្តាញប្រព័ន្ធ (deep neural network) តម្រូវឲ្យមាន ការគណនាច្រើន ហើយអាចធ្វើការបែងចែកគណនានេះលើ GPU គឺមានសារៈសំខាន់ខ្លាំង។

✅ ពាក្យ 'parallelize' មានន័យថាផ្សព្វផ្សាយការគណនាឲ្យមាននៅលើឧបករណ៍ច្រើន។

បច្ចុប្បន្ន គ្រប់គ្រងស៊ី្ទឹមបណ្តាញប្រព័ន្ធពេញនិយមពីរប្រភេទគឺ: TensorFlow និង PyTorch។ ពួកវាផ្ដល់ API ដល់កម្រិតទាបសម្រាប់ប្រតិបត្តិការ tensor លើ CPU និង GPU ទាំងឡាយ។ លើសពី API កម្រិតទាប មាន API កម្រិតខ្ពស់ ផ្អែកលើគ្នា ដែលហៅថា Keras និង PyTorch Lightning តាមលំដាប់។

API កម្រិតទាប	TensorFlow	PyTorch
API កម្រិតខ្ពស់	Keras	PyTorch Lightning

API កម្រិតទាប សម្រាប់ទាំងពីរស៊ី្ទឹមអនុញ្ញាតឲ្យអ្នកកសាងអ្វីដែលហៅថា ក្រាបការគណនា ។ ក្រាបនេះកំណត់របៀបគណនាផលបស់ (ជាធម្មតាគឺត្រូវគណនាអំពី loss function) ជាមួយប៉ារ៉ាម៉ែត្រចូលដែលបានផ្តល់ ហើយអាចបង្ខំឲ្យធ្វើការគណនាលើ GPU ប្រសិនបើមាន។ មានមុខងារសម្រាប់បូកគ្នាគណនាភាពត្រឹមត្រូវរបស់ក្រាបនេះ ហើយបានប្រើសម្រាប់បង្កើនគុណភាពប៉ារ៉ាម៉ែត្ររបស់គំរូ។

API កម្រិតខ្ពស់ ចាត់ទុកស៊ី្ទឹមបណ្តាញប្រព័ន្ធប្រឧត្តិជាក្រុម ជាន់នៃបន្ទាប់បន្សំ និងធ្វើឲ្យការបង្កើតស៊ី្ទឹមបណ្តាញប្រព័ន្ធភាគច្រើនកាន់តែងាយស្រួល។ ការបណ្តុះបណ្តាលគំរូភាគច្រើនត្រូវតែត្រៀមទិន្នន័យ ហើយបន្ទាប់មកហៅមុខងារ fit សម្រាប់ធ្វើការងារ។

API កម្រិតខ្ពស់អនុញ្ញាតឲ្យអ្នកបង្កើតស៊ី្ទឹមបណ្តាញប្រព័ន្ធជាទម្រង់រងលឿនដោយមិនចាំបាច់ចាប់អារម្មណ៍អំពីព័ត៌មានលម្អិតជាច្រើន។ នៅខណៈពេលមួយ API កម្រិតទាបផ្តល់ការគ្រប់គ្រងបន្ថែមលើដំណើរការបណ្តុះបណ្តាល ហើយគេប្រើដើម្បីស្រាវជ្រាវពិសេសនៅពេលអ្នកកំពុងដំណើរការជាមួយបុណ្យស៊ី្ទឹមបណ្តាញប្រព័ន្ធថ្មី។

វាក៏មានសារៈសំខាន់ក្នុងការយល់ថាអ្នកអាចប្រើ API ពីរប្រភេទគ្នា តាមរយៈការអភិវឌ្ឍរចនាសម្ព័ន្ធជាន់បណ្ដាញរបស់អ្នកដោយប្រើ API កម្រិតទាប ហើយបន្ទាប់មកប្រើវានៅក្នុងបណ្តាញធំដែលបានបង្កើតនិងបណ្តុះបណ្តាលដោយ API កម្រិតខ្ពស់។ ឬអ្នកអាចកំណត់បណ្តាញដោយប្រើ API កម្រិតខ្ពស់ជាជួរបន្ទាប់បន្សំ ហើយប្រើលំហូរបណ្តុះបណ្តាលកម្រិតទាបរបស់ខ្លួន ដើម្បីអនុវត្តការបង្កើនគុណភាព។ API ទាំងពីរប្រើគំនិតមូលដ្ឋានដូចគ្នា ហើយបានរចនាឡើងសម្រាប់ការធ្វើការល្អជាមួយគ្នា។

ការសិក្សា

នៅក្នុងវគ្គនេះ យើងផ្ដល់មាតិកាច្រើនសម្រាប់ទាំង PyTorch និង TensorFlow។ អ្នកអាចជ្រើសរើសស៊ី្ទឹមដែលអ្នកចូលចិត្ត ហើយរត់តាមសៀវភៅបញ្ជាក់ដែលសមរម្យបានគត់។ ប្រសិនបើអ្នកមិនប្រាកដថាត្រូវជ្រើសរើសស៊ី្ទឹមណា អាចអានការពិភាក្សាដែលមាននៅលើអ៊ីនធឺណិតអំពី PyTorch និង TensorFlow។ អ្នកក៏អាចសាកល្បងទាំងពីរដើម្បីយល់ឲកាន់តែច្បាស់ពីស៊ី្ទឹមទាំងពីរ។

នៅកន្លែងដែលអាចបាន យើងនឹងប្រើ API កម្រិតខ្ពស់សម្រាប់ភាពសាមញ្ញ។ ទោះជាយ៉ាងណា យើងជឿថាសំខាន់ក្នុងការយល់ពីរបៀបដំណើរការរបស់ស៊ី្ទឹមបណ្តាញប្រព័ន្ធពីដីដើម ដូច្នេះនៅដើមវគ្គ យើងចាប់ផ្តើមធ្វើការជាមួយ API កម្រិតទាប និង tensor។ ប៉ុន្តែ ប្រសិនអ្នកចង់ចាប់ផ្តើមយ៉ាងលឿន ហើយមិនចង់ប្រើពេលច្រើនក្នុងការរៀនព័ត៌មានលម្អិតទាំងនេះ អ្នកអាចរំពឹងខ្លាចរូបខ្លួននិងចូលទៅកាន់សៀវភៅ API កម្រិតខ្ពស់ភ្លាម។

✍️ ការអនុវត្ត: ស៊ី្ទឹមបណ្តាញប្រព័ន្ធ

បន្តការសិក្សារបស់អ្នកនៅក្នុងសៀវភៅបញ្ជាក់ខាងក្រោម៖

API កម្រិតទាប	TensorFlow+Keras Notebook	PyTorch
API កម្រិតខ្ពស់	Keras	PyTorch Lightning

បន្ទាប់ពីជំនាញក្នុងស៊ី្ទឹមហើយ អ្នកមកវិលត្រឡប់មើលចំណុចនៃ overfitting ម្តងទៀត។

Overfitting

Overfitting គឺជាគំនិតសំខាន់ណា នៅក្នុងការរៀនម៉ាស៊ីន ហើយវាចាំបាច់ត្រូវបានយល់ឲ្យបានត្រឹមត្រូវ!

ពិចារណាបញ្ហាដែលបរសាក្សីរវាងចំណុច5 (ដែលតំណាងដោយ x នៅលើក្រាហ្វខាងក្រោម):

ម៉ូដែលបន្ទាត់ស្រស់ មានប៉ារ៉ាម៉ែត្រ 2	ម៉ូដែលមិនបន្ទាត់ស្រស់ មានប៉ារ៉ាម៉ែត្រ 7
បញ្ហាបណ្តុះបណ្តាល = 5.3	பញ្ហាបណ្តុះបណ្តាល = 0
បញ្ហា Scan ដើម្បីផ្ទៀងផ្ទាត់ = 5.1	បញ្ហា Scan ដើម្បីផ្ទៀងផ្ទាត់ = 20

• នៅខាងឆ្វេង យើងឃើញបន្ទាត់ស្រស់ល្អ។ ព្រោះចំនួនប៉ារ៉ាម៉ែត្រត្រឹមត្រូវ ម៉ូដែលយល់ច្បាស់ពីដំណាក់កាលចែកចាយចំណុច។
• នៅខាងស្ដាំ ម៉ូដែលមានកម្លាំងខ្លាំងពេក។ ព្រោះយើងមានតែប្រាំចំណុច ហើយម៉ូដែលមានប្រាំបីប៉ារ៉ាម៉ែត្រ វាអាចកំណត់តម្លៃឲ្យឆ្លងកាត់ចំណុចទាំងអស់បាន ធ្វើឲ្យកំហុសបណ្តុះបណ្តាលក្លាយជាសូន្យ។ ប៉ុន្តែវាបំប៉នម៉ូដែលមិនឲ្យយល់ឆ្គើយពីបាំងកូដខាងក្រោយទិន្នន័យ អ្វីដែលធ្វើឲ្យកំហុសផ្ទៀងផ្ទាត់ខ្ពស់។

វាមានសារៈសំខាន់យ៉ាងខ្លាំងក្នុងការរកតុល្យភាពត្រឹមត្រូវរវាងភាពសម្បូរបែបរបស់ម៉ូដែល (ចំនួនប៉ារ៉ាម៉ែត្រ) និងចំនួនគំរូបណ្តុះបណ្តាល។

ហេតុអ្វីបានជា overfitting កើតឡើង

• ទិន្នន័យបណ្តុះបណ្តាលមិនគ្រប់គ្រាន់
• ម៉ូដែលមានអំណាចលើស
• មានសំឡេងរំខានជាច្រើននៅក្នុងទិន្នន័យចូល

របៀបរកឃើញ overfitting

ដូចដែលអ្នកឃើញពីក្រាហ្វខាងលើ អាចរកឃើញ overfitting ដោយកំហុសបណ្តុះបណ្តាលទាបណាស់ និងកំហុសផ្ទៀងផ្ទាត់ខ្ពស់។ ជាទូទៅ ក្នុងដំណាក់កាលបណ្តុះបណ្តាល យើងនឹងឃើញកំហុសបណ្តុះបណ្តាល និងកំហុសផ្ទៀងផ្ទាត់បញ្ចុះចុះទាំងពីរ ហើយបន្ទាប់មកនៅពេលណាមួយ កំហុសផ្ទៀងផ្ទាត់អាចឈប់បន្ថយ ហើយចាប់ផ្ដើមកើនឡើង។ នេះជាសញ្ញានៃ overfitting និងសញ្ញាថាយើងគួរតែបញ្ឈប់ការបណ្តុះបណ្តាលនៅពេលនេះ (ឬយ៉ាងហោចណាស់ថតចម្លងម៉ូដែលនៅពេលនេះ)។

របៀបការពារកុំឲ្យ overfitting កើតឡើង

ប្រសិនបើអ្នកឃើញថា overfitting កើតឡើង អ្នកអាចធ្វើពីរបៀបដូចតទៅ៖

• បន្ថែមចំនួនទិន្នន័យបណ្តុះបណ្តាល
• បន្ថយស្មុគស្មាញរបស់ម៉ូដែល
• ប្រើបច្ចេកវិទ្យា regularization technique មួយចំនួន ដូចជា Dropout ដែលយើងនឹងពិចារណានៅពេលក្រោយ។

Overfitting និងការជជែកចែករវាង Bias-Variance

Overfitting ជាករណីមួយនៃបញ្ហាទូទៅក្នុងស្ថិតិហៅថា Bias-Variance Tradeoff។ ប្រសិនបើយើងពិចារណាពីប្រភពកំហុសក្នុងម៉ូដែល យើងអាចមើលឃើញកំហុសពីរប្រភេទ៖

• កំហុស Bias បង្កឡើងដោយអាល្គូរីធម៍បណ្តុំរបស់យើងមិនអាចចាប់យកទំនាក់ទំនងរវាងទិន្នន័យបណ្តុះបណ្តាលបានត្រឹមត្រូវ។ វាអាចបណ្តាលមកពីម៉ូដែលរបស់យើងមិនមានអំណាចគ្រប់គ្រាន់ (underfitting)។
• កំហុស Variance បណ្តាលមកពីម៉ូដែលស៊ើបអង្កេតសំឡេងរំខានក្នុងទិន្នន័យចូល ជំនួសអោយទំនាក់ទំនងមានអត្ថន័យ (overfitting)។

ក្នុងដំណាក់កាលបណ្តុះបណ្តាល កំហុស bias កាត់បន្ថយ (ដោយសារតែម៉ូដែលរៀនចាប់យកទិន្នន័យ) ខណៈកំហុស variance កើនឡើង។ វាមានសារៈសំខាន់ក្នុងការបញ្ឈប់ការបណ្តុះបណ្តាល – ហើយអាចធ្វើដោយដៃ (នៅពេលយើងរកឃើញ overfitting) ឬដោយស្វ័យប្រវត្តិ (ដោយណែនាំ regularization) – ដើម្បីការពារការកើតឡើងនៃ overfitting។

សេចក្តីសន្និដ្ឋាន

នៅក្នុងមេរៀននេះ អ្នកបានរៀនអំពីការបម្លែងជាច្រើនរវាង API នានារបស់ស៊ី្ទឹម AI សំខាន់ៗពីរដូចជា TensorFlow និង PyTorch។ លើសពីនេះ អ្នកបានរៀនអំពីប្រធានបទសំខាន់ណាស់មួយ គឺ overfitting។

🚀 ជំហាន thách thức

នៅក្នុងសៀវភៅបញ្ជាក់ជាប់នឹងរូបរាង អ្នកនឹងឃើញ 'ភារកិច្ច' នៅខាងក្រោម; សូមធ្វើការតាមសៀវភៅបញ្ជាក់ ហើយបញ្ចប់ភារកិច្ច។

សំណួរពិសោធន៍បន្ទាប់មក

ពិនិត្យឡើងវិញ និង សិក្សាផ្ទាល់ខ្លួន

សូមស្រាវជ្រាវអំពីប្រធានបទខាងក្រោម៖

• TensorFlow
• PyTorch
• Overfitting

សួរខ្លួនឯងសំណួរខាងក្រោម៖

• តើអ្វីទៅជាការបំផុសគ្នារវាង TensorFlow និង PyTorch?
• តើអ្វីទៅជាការបំផុសគ្នារវាង overfitting និង underfitting?

ភារកិច្ច

នៅក្នុងមន្ទីរប្រឡងនេះ អ្នកត្រូវបានស្នើឲ្យដោះស្រាយបញ្ហាកំណាត់ចំណាត់ថ្នាក់ពីរមានការតភ្ជាប់គ្នាពីរបន្តផ្នែក ដោយប្រើបណ្តាញតែមួយ និងមានច្រើនជាន់ប្រើ PyTorch ឬ TensorFlow ។

• សំណើ
• សៀវភៅបញ្ជាក់

---

ការបដិសេធ៖ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ ទោះបីយើងខិតខំថែរក្សាការត្រឹមត្រូវក៏ដោយ សូមជ្រាបថាប្រែប្រួលដោយស្វ័យប្រវត្តិក្នុងការបកប្រែអាចមានកំហុស ឬភាពមិនមានភាពត្រឹមត្រូវ។ ឯកសារដើមក្នុងភាសាទំនើបរបស់វាគួរត្រូវបានគេចាត់ទុកជាអ្នកផ្តល់ព័ត៌មានឯកទេស។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមផ្តល់ការបកប្រែដោយមនុស្សដែលមានជំនាញជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។