หากคุณคุ้นเคยกับ Colab อยู่แล้ว ลองดูวิดีโอนี้เพื่อให้ทราบเกี่ยวกับตารางแบบอินเทอร์แอกทีฟ มุมมองประวัติโค้ดที่เรียกใช้ และพาเล็ตคำสั่ง

Colab หรือ "Colaboratory" ช่วยให้คุณสามารถเขียนและเรียกใช้ Python ในเบราว์เซอร์ด้วย

• ไม่ต้องกำหนดค่าใด
• เข้าถึง GPU โดยไม่มีค่าใช้จ่าย
• แชร์ได้ง่ายๆ

ไม่ว่าคุณจะเป็นนักเรียน/นักศึกษา นักวิทยาศาสตร์ข้อมูล หรือนักวิจัย AI ระบบ Colab ก็ช่วยให้งานของคุณง่ายขึ้นได้ รับชมข้อมูลเบื้องต้นเกี่ยวกับ Colab เพื่อดูข้อมูลเพิ่มเติม หรือจะเริ่มต้นใช้งานที่ด้านล่างเลยก็ได้

เอกสารที่คุณกำลังอ่านไม่ใช่หน้าเว็บแบบคงที่ แต่เป็นสภาพแวดล้อมแบบอินเทอร์แอกทีฟที่เรียกว่าสมุดบันทึก Colab ซึ่งให้คุณเขียนและเรียกใช้โค้ดได้

ลองดูตัวอย่างนี้ นี่คือเซลล์โค้ดที่มีสคริปต์ Python สั้นๆ ซึ่งจะคำนวณค่าค่าหนึ่ง เก็บไว้ในตัวแปร แล้วพิมพ์ผลลัพธ์ออกมา

ตัวแปรที่คุณกำหนดในเซลล์หนึ่งจะใช้ในเซลล์อื่นในภายหลังได้

สมุดบันทึก Colab ช่วยให้คุณรวมโค้ดที่สั่งการได้และ Rich Text ลงในเอกสารเดียว ควบคู่ไปกับรูปภาพ, HTML, LaTeX และอื่นๆ ได้ เมื่อคุณสร้างสมุดบันทึก Colab ของตัวเอง สมุดบันทึกเหล่านั้นจะจัดเก็บอยู่ในบัญชี Google ไดรฟ์ โดยจะแชร์สมุดบันทึก Colab กับเพื่อนหรือเพื่อนร่วมงานและอนุญาตให้บุคคลดังกล่าวแสดงความคิดเห็นหรือแก้ไขสมุดบันทึกของคุณได้ง่ายๆ ดูข้อมูลเพิ่มเติมได้ในภาพรวมของ Colab หากต้องการสร้างสมุดบันทึก Colab เล่มใหม่ คุณจะใช้เมนู "ไฟล์" ด้านบน หรือทำผ่านลิงก์สร้างสมุดบันทึก Colab เล่มใหม่ก็ได้

สมุดบันทึก Colab คือสมุดบันทึก Jupyter ที่ Colab โฮสต์ไว้ ดูข้อมูลเพิ่มเติมเกี่ยวกับโปรเจ็กต์ Jupyter ได้ที่ jupyter.org

Colab ให้คุณใช้ประโยชน์จากไลบรารี Python ที่ได้รับความนิยมได้อย่างเต็มศักยภาพ เพื่อวิเคราะห์และแสดงข้อมูลเป็นภาพ เซลล์โค้ดด้านล่างใช้ numpy เพื่อสร้างข้อมูลสุ่มขึ้นมา และใช้ matplotlib เพื่อแสดงข้อมูลนั้นเป็นภาพ หากต้องการแก้ไขโค้ด ก็เพียงคลิกเซลล์และเริ่มแก้ไขได้เลย

คุณนำเข้าข้อมูลของตนเองจากบัญชี Google ไดรฟ์มายังสมุดบันทึก Colab ได้ รวมถึงจากสเปรดชีต, GitHub และแหล่งข้อมูลอื่นๆ อีกมากมาย ดูข้อมูลเพิ่มเติมเกี่ยวกับการนำเข้าข้อมูลและการใช้ Colab ทางด้านวิทยาศาสตร์ข้อมูลได้จากลิงก์ด้านล่างในส่วนการทำงานกับข้อมูล

Colab ให้คุณนำเข้าชุดข้อมูลรูปภาพ ฝึกการทำงานของตัวแยกประเภทรูปภาพกับชุดข้อมูลนั้น แล้วประเมินโมเดล โดยทั้งหมดนี้ใช้โค้ดเพียงไม่กี่บรรทัดเท่านั้น สมุดบันทึก Colab เรียกใช้โค้ดในเซิร์ฟเวอร์ระบบคลาวด์ของ Google ซึ่งหมายความว่าคุณจะใช้ประโยชน์จากประสิทธิภาพของฮาร์ดแวร์ Google รวมถึง GPU และ TPU โดยไม่ต้องคำนึงถึงสมรรถภาพของคอมพิวเตอร์ตัวเองเลย ใช้แค่เบราว์เซอร์เท่านั้น

ชุมชนแมชชีนเลิร์นนิงมีการประยุกต์ใช้ Colab อย่างกว้างขวางในงานต่างๆ เช่น

• การเริ่มต้นใช้งาน TensorFlow
• การพัฒนาและการฝึกโครงข่ายระบบประสาทเทียม
• การทดสอบกับ TPU
• การเผยแพร่งานวิจัย AI
• การสร้างบทแนะนำ

ดูตัวอย่างสมุดบันทึก Colab ที่สาธิตการประยุกต์ใช้แมชชีนเลิร์นนิงได้ในตัวอย่างแมชชีนเลิร์นนิงด้านล่าง

• ภาพรวมของ Colaboratory
• ข้อมูลเบื้องต้นเกี่ยวกับ Markdown
• การนำเข้าไลบรารีและการติดตั้งทรัพยากร Dependency
• การบันทึกและการโหลดสมุดบันทึกใน GitHub
• ฟอร์มแบบอินเทอร์แอกทีฟ
• วิดเจ็ตแบบอินเทอร์แอกทีฟ

• การโหลดข้อมูล: ไดรฟ์ ชีต และ Google Cloud Storage
• แผนภูมิ: การแสดงข้อมูลเป็นภาพ
• การเริ่มต้นใช้งาน BigQuery

• เปลี่ยนเสียงด้วย NeMo: ใช้ชุดเครื่องมือ AI ด้านการสนทนาชื่อ NeMo ของ Nvidia เพื่อเปลี่ยนเสียงพูดในไฟล์เสียงที่ไม่สมบูรณ์เป็นเสียงที่สร้างขึ้นด้วยคอมพิวเตอร์

• การฝึกตัวแยกประเภทรูปภาพใหม่: สร้างโมเดล Keras เพิ่มเติมจากตัวแยกประเภทรูปภาพที่ฝึกไว้ล่วงหน้าเพื่อแยกแยะดอกไม้ชนิดต่างๆ

• การจัดประเภทข้อความ: จัดประเภทรีวิวภาพยนตร์ใน IMDB ว่าเป็นเชิงบวกหรือเชิงลบ

• การโอนรูปแบบ: ใช้การเรียนรู้เชิงลึกเพื่อโอนรูปแบบระหว่างรูปภาพ

• การถามและตอบเกี่ยวกับ Universal Sentence Encoder แบบหลายภาษา: ใช้โมเดลแมชชีนเลิร์นนิงเพื่อตอบคำถามจากชุดข้อมูล SQuAD

• ชนิดการประมาณค่าในช่วงวิดีโอ: คาดการณ์สิ่งที่เกิดขึ้นในวิดีโอระหว่างเฟรมแรกกับเฟรมสุดท้าย

•  

•  

•  

• ตัวอย่างโค้ด Python จาก Gemini

  1. พิมพ์ข้อความ "Hello World!"

  Python

  print("Hello World!")
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  2. แสดงผลลัพธ์ของตัวแปร

  Python

  x = 10
  y = "Python"
  
  print("x =", x)
  print("y =", y)
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  3. การคำนวณพื้นฐาน

  Python

  a = 5
  b = 3
  
  sum = a + b
  difference = a - b
  product = a * b
  quotient = a / b
  
  print("ผลรวม:", sum)
  print("ผลต่าง:", difference)
  print("ผลคูณ:", product)
  print("ผลหาร:", quotient)
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  4. การใช้เงื่อนไข if-else

  Python

  age = 20
  
  if age >= 18:
      print("คุณบรรลุนิติภาวะ")
  else:
      print("คุณยังไม่บรรลุนิติภาวะ")
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  5. วนลูป for

  Python

  for i in range(5):
      print(i)
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  6. ฟังก์ชัน

  Python

  def say_hello():
      print("Hello!")
  
  say_hello()
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  7. การอ่านไฟล์

  Python

  with open("myfile.txt", "r") as f:
      content = f.read()
  
  print(content)
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  8. การเขียนไฟล์

  Python

  with open("myfile.txt", "w") as f:
      f.write("This is a new file.")
  

  ใช้โค้ดอย่างระมัดระวัง

  content_copy

  ตัวอย่างเพิ่มเติม

  • คัมภีร์เทพ IT 10 Python Programs ที่น่าสนใจพร้อมตัวอย่าง Code: [URL ที่ไม่ถูกต้องถูกนำออกแล้ว]
  • รวมเทคนิคการเขียนโปรแกรมภาษา Python ‍: [URL ที่ไม่ถูกต้องถูกนำออกแล้ว]
  • ตัวอย่างโจทย์การเขียนโปรแกรมด้วยภาษา Python คำสั่ง print input และ if: [URL ที่ไม่ถูกต้องถูกนำออกแล้ว]
  • บทที่ 4 การเขียนโปรแกรม python ประเภทตัวแปร และ ข้อความ: http://courseware.npru.ac.th/admin/files/20210907110003_65235a3b992bf4f7d36b7e3cb735f37c.pdf
  • ภาษาไพทอน (Python language) และการเขียนโปรแกรมเบื้องต้น: https://www2.cs.science.cmu.ac.th/courses/204101/lib/exe/fetch.php?media=w02-w03-lab-intro-to-python.pdf

  แหล่งข้อมูลออนไลน์

  • Python Tutorial: https://docs.python.org/3/tutorial/
  • Learn Python: https://www.learnpython.org/
  • Python for Beginners: https://www.w3schools.com/python/
  • Real Python: https://realpython.com/

  หมายเหตุ:

  • โค้ด Python ตัวอย่างเหล่านี้เป็นเพียงส่วนหนึ่งเท่านั้น ยังมีโค้ด Python อีกมากมายที่คุณสามารถหาเรียนรู้เพิ่มเติมได้
  • อย่าลืมทดสอบโค้ด Python ของคุณด้วยตัวอย่างข้อมูลจริงเพื่อดูว่าทำงานตามที่คุณคาดหวังหรือไม่
  • หากคุณพบปัญหาหรือมีคำถามเกี่ยวกับโค้ด Python โปรดอย่าลังเลที่จะถามผู้เชี่ยวชาญหรือค้นหาคำตอบบนอินเทอร์เน็ต

import tensorflow as tf

import tensorflow_hub as hub

model = hub.load('https://bit.ly/metrabs_l')  # Takes about 3 minutes

! wget -q https://drive.google.com/file/d/1aicTaNaSLu3iFTaokVJxAXDLRKF_zgqn/view?usp=sharing

img = tf.image.decode_image(tf.io.read_file('Test220221017.jpg'))

pred = model.detect_poses(img, skeleton='smpl+head_30')

pred['poses3d'].shape

def plot_results(image, pred, joint_names, joint_edges):

    import matplotlib.pyplot as plt

    from mpl_toolkits.mplot3d import Axes3D

    from matplotlib.patches import Rectangle

    fig = plt.figure(figsize=(10, 5.2))

    image_ax = fig.add_subplot(1, 2, 1)

    image_ax.imshow(image.numpy())

    for x, y, w, h, c in pred['boxes'].numpy():

        image_ax.add_patch(Rectangle((x, y), w, h, fill=False))

    pose_ax = fig.add_subplot(1, 2, 2, projection='3d')

    pose_ax.view_init(5, -75)

    pose_ax.set_xlim3d(-1500, 1500)

    pose_ax.set_zlim3d(-1500, 1500)

    pose_ax.set_ylim3d(2000, 5000)

    poses3d = pred['poses3d'].numpy()

    poses3d[..., 1], poses3d[..., 2] = poses3d[..., 2], -poses3d[..., 1]

    for pose3d, pose2d in zip(poses3d, pred['poses2d'].numpy()):

        for i_start, i_end in joint_edges:

            image_ax.plot(*zip(pose2d[i_start], pose2d[i_end]), marker='o', markersize=2)

            pose_ax.plot(*zip(pose3d[i_start], pose3d[i_end]), marker='o', markersize=2)

        image_ax.scatter(*pose2d.T, s=2)

        pose_ax.scatter(*pose3d.T, s=2)

joint_names = model.per_skeleton_joint_names['smpl+head_30'].numpy().astype(str)

joint_edges = model.per_skeleton_joint_edges['smpl+head_30'].numpy()

plot_results(img, pred, joint_names, joint_edges)