โดย Naweeparb Wangwanich — Safem0de

Multilayer Perceptron (MLP) เป็นโครงข่ายประสาทเทียมแบบฟีดฟอร์เวิร์ดที่มีมากกว่าหนึ่งชั้นซ่อน (Hidden Layer) ใช้สำหรับการเรียนรู้แบบจำแนกประเภท (Classification) และการทำนายเชิงเส้น (Regression) ได้

MLP ประกอบด้วย 3 ส่วนหลัก:

1. ชั้นอินพุต (Input Layer): รับข้อมูลเข้ามาจากชุดข้อมูล (Features)
2. ชั้นซ่อน (Hidden Layers): ทำการคำนวณผ่านนิวรอนและฟังก์ชันกระตุ้น (Activation Functions)
3. ชั้นเอาต์พุต (Output Layer): ให้ค่าผลลัพธ์ที่ต้องการ

โครงสร้างของ MLP ใช้การเชื่อมต่อแบบ Fully Connected ซึ่งแต่ละนิวรอนในชั้นหนึ่งจะเชื่อมกับทุกนิวรอนในชั้นถัดไป

• ตัวอย่างที่ 1 : MLP

• ตัวอย่างที่ 2 : MLP และ การสร้างกราฟของโครงข่ายประสาทเทียม

Input Layer, Hidden Layer และ Output Layer ในชีวิตจริง

ตารางที่ 1 : ตัวอย่าง MLP Architecture ตามงานจริง

| งาน | Input Layer | Hidden Layer (Neurons) | Output Layer | | --- | --- | --- | --- | | Spam Detection | 300 (Word Embedding) | 100 | 1 Neuron (Sigmoid) | | พยากรณ์ราคาบ้าน | 10 (Feature เช่น ขนาดบ้าน, ทำเล) | 64, 32 | 1 Neuron (Linear) | | รู้จำภาพแมว/สุนัข | 784 (ภาพ 28x28 พิกเซล) | 128, 64 | 2 Neurons (Softmax) | | วิเคราะห์อารมณ์จากข้อความ | 500 (Embedding Vector) | 256, 128, 64 | 3 Neurons (Softmax) |

1. Input Layer

Input Layer คือตัวแทนของข้อมูลที่ป้อนเข้าสู่โมเดล ซึ่งในชีวิตจริงอาจเป็นข้อมูลในรูปแบบต่าง ๆ เช่น:

• รูปภาพ: โมเดลตรวจจับใบหน้าจะรับค่าพิกเซลของรูปภาพเป็นอินพุต (เช่น 28×28 พิกเซลสำหรับ MNIST)
• ข้อความ (Text): โมเดลวิเคราะห์ความรู้สึก (Sentiment Analysis) จะรับคำเป็นเวกเตอร์ (เช่น Word Embedding)
• ข้อมูลตัวเลข (Numerical Data): โมเดลพยากรณ์ราคาหุ้นจะรับข้อมูลตัวเลข เช่น ราคาปิด, ปริมาณซื้อขาย, ค่า RSI