Deep Learning with PyTorch

โน้ตบุ๊กบันทึกการเรียนรู้ (learning notes) พื้นฐาน Deep Learning ด้วย PyTorch ตั้งแต่การสร้างและจัดการ Tensor ไปจนถึงการสร้าง Neural Network ด้วย torch.nn.Module และการคำนวณ Gradient อัตโนมัติด้วย Autograd เนื้อหาอธิบายเป็นภาษาไทยปนอังกฤษ พร้อมโค้ดตัวอย่างที่รันได้จริงทีละเซลล์บน Google Colab / Jupyter Notebook

สารบัญ

• ภาพรวม
• เนื้อหา / Workflow การเรียนรู้
• สิ่งที่จะได้เรียนรู้
• Tech Stack
• โครงสร้างโปรเจกต์
• วิธีใช้งาน
• ตัวอย่างโค้ดที่น่าสนใจ
• หมายเหตุ

ภาพรวม

โปรเจกต์นี้เป็นโน้ตบุ๊กเดี่ยว (DeepLearningWithPyTorch.ipynb) ที่รวบรวมพื้นฐานของ Deep Learning โดยเน้นการ "ลงมือรันโค้ดจริง" ทีละแนวคิด แทนที่จะอธิบายเชิงทฤษฎีล้วน ๆ เนื้อหาถูกจัดวางในลักษณะบทเรียนต่อเนื่องและมีการ Recap (ทบทวน) เป็นระยะ เพื่อค่อย ๆ ปูพื้นฐานจาก Tensor พื้นฐาน ไปจนถึงการสร้างโครงข่ายประสาทเทียมและกลไกการเรียนรู้ (Autograd + Gradient Descent) ด้วยตัวเอง

เนื้อหา / Workflow การเรียนรู้

เนื้อหาในโน้ตบุ๊กถูกจัดลำดับเป็น 4 ช่วงหลัก ไล่ตามความยากที่เพิ่มขึ้น:

1. Introduction to Deep Learning — ปูพื้นฐาน Torch

• Torch: การสร้าง Tensor และความสัมพันธ์กับ NumPy
• torch.nn: แนะนำโมดูลสำหรับสร้าง Neural Network
• torch.nn.functional: ฟังก์ชัน activation — ReLU, Sigmoid, Tanh
• Softmax: การแปลงค่า output เป็นความน่าจะเป็น และการหา class ที่มีความน่าจะเป็นสูงสุด
• Loss Function: MSE Loss และ Cross Entropy Loss

2. Introduction to PyTorch — เจาะลึก Tensor

• Tensors: การสร้าง Tensor ในรูปแบบต่าง ๆ และคุณสมบัติของ Tensor
• Tensor Operations:
  • Math operations: บวก ลบ คูณ หาร คูณเมทริกซ์ (matmul) ยกกำลัง
  • Reduction operations (sum, mean, max, min ฯลฯ)
  • Dimensions: การจัดการมิติของ Tensor (view, reshape)
  • Casting: แปลงระหว่าง NumPy array และ Tensor
  • Copy Tensor และ .detach()

3. Recap: Torch for Neural Network — สร้างโครงข่ายประสาทเทียม

• ทบทวน torch.nn และ torch.nn.functional
• ทบทวนการสร้าง Class ใน Python (class, inheritance) เพื่อปูพื้นก่อนสร้างโมเดล
• torch.nn.Module: สร้างคลาส Net ของตัวเองโดยกำหนดเลเยอร์ (nn.Linear) และเขียนเมธอด forward()
• การใส่ non-linear layer (เช่น ReLU) ระหว่างชั้นของโครงข่าย

4. Recap: Autograd & Neural Network — กลไกการเรียนรู้

• การหาจุดต่ำสุดของฟังก์ชันด้วย Gradient Descent (คำนวณ gradient เอง)
• Autograd: การคำนวณ gradient อัตโนมัติด้วย requires_grad=True, .backward(), .grad
• การผสาน Autograd เข้ากับ Gradient Descent เพื่อ optimize ฟังก์ชันแบบวนซ้ำ (iterative update)

Tensor พื้นฐาน → Tensor Operations → Activation & Loss Function
        → torch.nn.Module (สร้างโมเดล) → Autograd → Gradient Descent

สิ่งที่จะได้เรียนรู้

• เข้าใจโครงสร้างและการดำเนินการพื้นฐานของ Tensor ใน PyTorch
• เข้าใจและเลือกใช้ฟังก์ชัน Activation (ReLU, Sigmoid, Tanh, Softmax) ได้อย่างเหมาะสม
• เข้าใจ Loss Function พื้นฐาน (MSE, Cross Entropy) และการนำไปใช้
• สร้างโครงข่ายประสาทเทียมของตัวเองด้วย torch.nn.Module
• เข้าใจกลไกเบื้องหลังการเทรนโมเดล ได้แก่ Autograd (automatic differentiation) และ Gradient Descent

Tech Stack

หมวดหมู่	เทคโนโลยี
ภาษา	Python 3.x
Deep Learning Framework	PyTorch (torch, torch.nn, torch.nn.functional)
คำนวณเชิงตัวเลข	NumPy
การแสดงผลกราฟ	Matplotlib
สภาพแวดล้อมการรัน	Jupyter Notebook / Google Colab

โครงสร้างโปรเจกต์

DeepLearning-with-pytorch/
├── DeepLearningWithPyTorch.ipynb   # โน้ตบุ๊กหลัก รวมเนื้อหาและโค้ดตัวอย่างทั้งหมด
└── README.md                       # เอกสารประกอบโปรเจกต์ (ไฟล์นี้)

วิธีใช้งาน

ตัวเลือกที่ 1: เปิดผ่าน Google Colab (แนะนำ)

กดปุ่ม Open In Colab ด้านบนของ README เพื่อเปิดโน้ตบุ๊กและรันโค้ดได้ทันทีโดยไม่ต้องติดตั้งอะไรเพิ่ม

ตัวเลือกที่ 2: รันแบบ Local

1. Clone โปรเจกต์ (หรือดาวน์โหลดไฟล์ .ipynb)
2. ติดตั้งไลบรารีที่จำเป็น

   pip install torch numpy matplotlib notebook

3. เปิด Jupyter Notebook แล้วรันไฟล์

   jupyter notebook DeepLearningWithPyTorch.ipynb

4. รันเซลล์ตามลำดับตั้งแต่ต้นจนจบ เพื่อให้ตัวแปรและโมเดลถูกสร้างขึ้นตามลำดับ

ตัวอย่างโค้ดที่น่าสนใจ

การสร้างโครงข่ายประสาทเทียมด้วย torch.nn.Module:

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(100, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        return x

net = Net()

Gradient Descent ด้วย Autograd:

x = torch.tensor(10., dtype=torch.float, requires_grad=True)
alpha = 0.1

for i in range(1000):
    f = x ** 2 - 4 * x + 4          # ฟังก์ชันที่ต้องการหาจุดต่ำสุด
    f.backward(retain_graph=True)   # คำนวณ gradient ด้วย autograd
    x.data.sub_(alpha * x.grad)     # อัปเดตค่า x
    x.grad.data.zero_()             # รีเซ็ต gradient ก่อนรอบถัดไป

หมายเหตุ

• โน้ตบุ๊กนี้เป็นบันทึกการเรียนรู้ส่วนตัว (personal learning notes) เพื่อฝึกฝนพื้นฐาน PyTorch จึงเน้นความเข้าใจแนวคิดผ่านตัวอย่างเล็ก ๆ มากกว่าการเทรนโมเดลบนชุดข้อมูลจริงขนาดใหญ่
• คำอธิบายในโน้ตบุ๊กเขียนเป็นภาษาไทยปนอังกฤษเพื่อให้เข้าใจง่ายสำหรับผู้เริ่มต้น