Deep Learning Academy · Pelajaran

Tulis Siklus Pelatihan Minimal

Lakukan perulangan pada data dan perbarui bobot

Tulis Siklus Pelatihan Minimal adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 2 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.

From Steps to a Loop

You know the four moves of one iteration. Now you wrap them in a loop that walks over your data again and again until the model is trained. 🔁

Gather the Ingredients

Before looping you need three things: a model, a loss function, and an optimizer that holds your model's parameters. Set them up once, up front.

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())

Loop Over Epochs

The outer loop counts epochs, one full pass through your training data. A few epochs may be plenty for a small problem, more for a hard one.

for epoch in range(epochs):
    ...

Loop Over Batches

Inside each epoch you iterate the dataloader, which hands you one batch of inputs and labels at a time instead of the whole dataset at once.

for x, y in dataloader:
    ...

Zero, Then Forward

Start each batch by clearing old gradients, then run the forward pass to get predictions. Order matters: zero first, then predict.

optimizer.zero_grad()
pred = model(x)

Measure, Then Learn

Compute the loss, call backward for gradients, then step the optimizer. These three lines are where every weight actually improves.

loss = loss_fn(pred, y)
loss.backward()
optimizer.step()

The Full Skeleton

Stitch it together and you have a complete training loop. It is short on purpose: this same shape powers projects of every size.

for epoch in range(epochs):
    for x, y in dataloader:
        optimizer.zero_grad()
        loss = loss_fn(model(x), y)
        loss.backward()
        optimizer.step()

Watch the Loss

Print the loss each epoch so you can see learning happen. A number that trends down means your loop is working as intended.

print(epoch, loss.item())

Why item Matters

Use loss.item to pull out a plain Python float. Logging the raw tensor instead keeps the whole computation graph alive and wastes memory.

If Loss Stalls

If the loss refuses to drop, suspect the basics first: a learning rate that is too high or too low, or a forgotten zero_grad each step.

Small but Complete

This loop is tiny yet it is genuinely complete. Everything fancier you meet later just adds validation, logging, or speed on top of these few lines.

Quick Check

What does the inner loop iterate over in a minimal training loop?

Recap

You built a real training loop: loop epochs, loop batches, then zero, forward, loss, backward, step. Print the loss to watch it learn. 🎉

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Tulis Siklus Pelatihan Minimal” gratis?

Ya — teks lengkap “Tulis Siklus Pelatihan Minimal” 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 “Tulis Siklus Pelatihan Minimal”?

Lakukan perulangan pada data dan perbarui bobot 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 2 dari 4.

Berapa lama pelajaran “Tulis Siklus Pelatihan Minimal” 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

← Kembali ke Deep Learning Academy