เราได้ก้าวข้ามข้อจำกัดของโมเดลเชิงเส้น ซึ่งมีปัญหาในการจำแนกข้อมูลที่แยกออกจากกันด้วยเส้นตรง วันนี้ เราจะใช้แนวทางการทำงานของ PyTorch เพื่อสร้าง เครือข่ายประสาทเทียมแบบลึก (DNN)ที่สามารถเรียนรู้ได้ถึง ขอบเขตการตัดสินใจที่ซับซ้อนและไม่เป็นเชิงเส้นซึ่งจำเป็นต่อการจำแนกประเภทในโลกความจริง

1. การมองเห็นความจำเป็นของข้อมูลที่ไม่เป็นเชิงเส้น

ขั้นตอนแรกของเราคือการสร้างชุดข้อมูลจำลองที่ท้าทาย เช่น โครงสร้างสองดวงจันทร์ เพื่อแสดงให้เห็นอย่างชัดเจนว่าทำไมโมเดลเชิงเส้นพื้นฐานจึงล้มเหลว โครงสร้างนี้บังคับให้เราใช้สถาปัตยกรรมลึกเพื่อประมาณเส้นโค้งที่ซับซ้อนซึ่งจำเป็นต่อการแยกคลาส

คุณสมบัติของข้อมูล

• โครงสร้างข้อมูล:ฟีเจอร์ข้อมูลจำลอง (เช่น $1000 \times 2$ สำหรับ $1000$ ตัวอย่างที่มีฟีเจอร์ 2 ตัว)
• ประเภทผลลัพธ์:ค่าความน่าจะเป็นเดียว มักเป็น torch.float32 แทนการเป็นสมาชิกของคลาส
• เป้าหมาย:เพื่อสร้าง ขอบเขตการตัดสินใจที่โค้งผ่านการคำนวณแบบชั้น