Plaza Java

ตัวอย่างการใช้งาน Java Neuroph ด้วยการประยุกต์แทรก Prompt ไปผสมกับ Latent Vector เพื่อใช้เป็นตัวกำหนดผลลัพท์ร่วมนะครับ โดยยกตัวอย่าง Prompt สำหรับงาน Graphic เช่น GrayScale และ Sepia import org.neuroph.core.Layer; import org.neuroph.core.Neuron; import org.neuroph.core.input.WeightedSum; import org.neuroph.nnet.comp.neuron.InputNeuron; import org.neuroph.nnet.comp.layer.InputLayer; import org.neuroph.nnet.comp.layer.FullConnectedLayer; import java.util.Arrays; public class AutoencoderWithMiddlePrompt { public static void main (String[] args) { // Step 1: Define input and prompt layers InputLayer inputLayer = new InputLayer( 4 ); // Example: 4 features for the main input InputLayer promptLayer = new InputLayer( 2 ); // Example: 2 features for the prompt // Step 2: Encoder layer FullConnectedLayer encoderLayer = new FullConnectedLayer( 3 ); // Latent representation // Step 3: Middle layer with combined latent ...

Recurrent Neural Networks (RNNs) เป็นรูปแบบหนึ่งของโครงข่ายประสาทเทียมที่มีความสามารถในการจัดการข้อมูลที่มีลำดับ เช่น ข้อมูลเวลา (time series) หรือข้อความ (text sequences) อย่างไรก็ตาม Neuroph ซึ่งเป็นเฟรมเวิร์ก Java สำหรับสร้างและฝึกโครงข่ายประสาทเทียม ไม่มีการสนับสนุน RNN โดยตรง แต่สามารถปรับ Multilayer Perceptron (MLP) ให้ทำงานแบบ RNN ได้ด้วยการเพิ่มการจัดการสถานะ (state) ภายนอก แนวคิดหลัก ใช้  MLP  เป็นฐานของโครงข่ายประสาทเทียม เพิ่มกลไกการวนกลับ (feedback) โดยจัดเก็บผลลัพธ์ของเลเยอร์ซ่อน (hidden layer) และนำกลับมาใช้ใหม่ในลำดับถัดไป จัดการการทำงานที่คล้าย RNN ผ่านการเขียนโค้ดควบคุมภายนอก ขั้นตอนการจำลอง RNN ด้วย MLP ใน Neuroph เตรียมข้อมูล : จัดการข้อมูลสำหรับการเรียนรู้แบบลำดับ เช่น การพยากรณ์ค่าถัดไปในลำดับตัวเลข (เช่น ลำดับ Fibonacci) สร้างโครงข่าย MLP : สร้างโครงข่าย MLP ด้วยเลเยอร์อินพุต เลเยอร์ซ่อน และเลเยอร์เอาต์พุต เพิ่มกลไก Feedback : เก็บค่าผลลัพธ์ของเลเยอร์ซ่อนในแต่ละลำดับ และรวมค่าดังกล่าวกับอินพุตใหม่ การฝึกโครงข่าย : ใช้ค่าความผิดพลาด (error) ในการปรับน้ำหนั...