LeNet dan AlexNet: Keberhasilan Pertama
Awal mula CNN modern
LeNet dan AlexNet: Keberhasilan Pertama adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Where CNNs Began
Long before todays giants, two small networks proved that learned convolutions could read images. Lets meet the pioneers.
LeNet-5 Reads Digits
In 1998 Yann LeCun built LeNet-5 to recognize handwritten digits on checks. It was tiny, but it worked beautifully.
A Simple Recipe
LeNets pattern was clear: alternate convolution and pooling layers, then finish with a few dense layers. That recipe still echoes today.
Trained End to End
The big idea was that LeNet learned its filters from data by backpropagation, instead of an engineer hand-coding edge detectors.
Then Came the Pause
Data and compute were scarce, so progress stalled for years. The world was not yet ready to scale this idea up.
AlexNet Wakes the Field
In 2012 AlexNet crushed the ImageNet contest, halving the error rate and igniting the modern deep learning boom.
Bigger and Deeper
AlexNet was a scaled-up LeNet: more layers, far more filters, and millions of parameters hungry for data.
ReLU Speeds Training
AlexNet swapped slow saturating activations for the fast, simple ReLU, letting a deep net train in a reasonable time.
Trained on Two GPUs
It ran on two GPUs in parallel. That hardware choice turned an old idea into a practical, winning system.
Dropout Fights Overfit
To stop memorizing, AlexNet added dropout in its dense layers, randomly silencing neurons during training.
import torch.nn as nn
classifier = nn.Sequential(nn.Dropout(0.5), nn.Linear(4096, 1000))A Conv Layer in PyTorch
Both nets are stacks of one core block. Here is a single Conv2d layer, the brick everything is built from.
import torch.nn as nn
layer = nn.Conv2d(in_channels=3, out_channels=96, kernel_size=11, stride=4)Quick Check
Think about what made AlexNet so influential.
Recap: The First Wins
LeNet showed CNNs could learn, and AlexNet proved they could win at scale. Together they launched the era you are studying. Nice start!
Pertanyaan yang Sering Diajukan
Apakah pelajaran “LeNet dan AlexNet: Keberhasilan Pertama” gratis?
Ya — teks lengkap “LeNet dan AlexNet: Keberhasilan Pertama” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “LeNet dan AlexNet: Keberhasilan Pertama”?
Awal mula CNN modern Kamu berlatih Deep Learning Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “LeNet dan AlexNet: Keberhasilan Pertama” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- LeNet dan AlexNet: Keberhasilan Pertama
- VGG: Tumpukan Filter Kecil
- ResNet: Koneksi Lompatan Menjadi Dalam
- Muat Model torchvision