Membangun Jaringan Saraf Pertama dengan TensorFlow

Dalam pelajaran ini, kita akan membuat jaringan saraf umpan maju sederhana menggunakan TensorFlow. TensorFlow adalah kerangka kerja populer untuk membangun dan melatih model pembelajaran mesin.

Langkah 1: Menyiapkan TensorFlow

Pertama, pastikan TensorFlow sudah terpasang. Jika belum, Anda dapat memasangnya menggunakan:

pip install tensorflow

Kita juga akan mengimpor pustaka yang diperlukan untuk pelajaran ini.

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
import numpy as np

Langkah 2: Menyiapkan Kumpulan Data

Untuk contoh ini, kita akan menggunakan kumpulan data sederhana dengan masukan berupa satu fitur dan keluaran yang merupakan dua kali lipat dari masukan tersebut:

# Generate sample data
X = np.array([[1], [2], [3], [4], [5]], dtype=float)
y = np.array([[2], [4], [6], [8], [10]], dtype=float)

Langkah 3: Membuat Model

Kita akan membuat model sederhana dengan satu lapisan masukan, satu lapisan tersembunyi, dan satu lapisan keluaran. Lapisan tersembunyi akan menggunakan fungsi aktivasi ReLU.

# Create the model
model = Sequential([
    Dense(10, activation='relu', input_shape=(1,)),  # Hidden layer with 10 neurons
    Dense(1)  # Output layer with 1 neuron
])

Langkah 4: Mengompilasi Model

Kami compile model dengan:

• Fungsi Kerugian: Galat Kuadrat Rata-rata untuk tugas regresi.
• Pengoptimal: Penurunan Gradien Stokastik (SGD).

# Compile the model
model.compile(optimizer='sgd', loss='mean_squared_error')

Langkah 5: Melatih Model

Kami melatih model menggunakan data pelatihan selama 500 epoch. Selama pelatihan, model belajar meminimalkan kerugian.

# Train the model
model.fit(X, y, epochs=500, verbose=1)

Langkah 6: Membuat Prediksi

Setelah pelatihan, kita dapat menggunakan model untuk membuat prediksi pada data baru:

# Predict on new data
print(model.predict([6]))

Langkah 7: Mengevaluasi Model

Kami melakukan evaluate terhadap kinerja model pada data pelatihan untuk memastikan model telah mempelajari pola dengan benar:

# Evaluate the model
loss = model.evaluate(X, y)
print(f"Loss: {loss}")

Penerapan di Dunia Nyata

Jaringan saraf umpan maju yang dibangun menggunakan TensorFlow dapat diterapkan untuk:

• Analitik Prediktif: Meramalkan penjualan dan tren.
• Klasifikasi: Mendeteksi spam dan penipuan.
• Regresi: Memprediksi harga dan meramalkan permintaan.

Ringkasan dan Langkah Berikutnya

Dalam pelajaran ini, kita:

• Membangun dan melatih jaringan saraf sederhana menggunakan TensorFlow.
• Mempelajari langkah-langkah utama: persiapan kumpulan data, pembuatan model, kompilasi, dan pelatihan.
• Membuat prediksi dan mengevaluasi kinerja model.

Selanjutnya, kita akan mempelajari bagaimana jaringan saraf diperluas menjadi arsitektur yang lebih canggih, seperti jaringan saraf konvolusional (CNN), untuk tugas pemrosesan gambar.