Pembahasan Convolution Neural Network Pertemuan 6 Pembelajaran Mesin

 

NAMA                  : RIKSON HABINSARAN BANUREA

NIM                     : 17190511

KELAS                 : TI-17.4F.01

MATKUL              : PEMBELAJARAN MESIN

TUGAS PERTEMUAN 6

Pembahasan Convolution Neural Network

Sebelum Menjawab Apa Itu Convolutional Neural Network, Saya Yakin Kalian Sudah Mengetahui Apa Itu Neural Network. Jika Anda Ragu Pada Dasar-Dasarnya, Lihat Tautan Ini. Bergerak. Jaringan Saraf Konvolusi Mirip Dengan Jaringan Perceptron Multi-Layer. Perbedaan Utama Adalah Apa Yang Dipelajari Jaringan, Bagaimana Strukturnya, Dan Tujuan Apa Yang Paling Sering Digunakan. Jaringan Saraf Convolutional Juga Terinspirasi Dari Proses Biologis, Strukturnya Memiliki Kemiripan Dengan Korteks Visual Yang Ada Pada Hewan. CNN Sebagian Besar Diterapkan Dalam Domain Visi Komputer Dan Telah Sangat Berhasil Dalam Mencapai Kinerja Seni Pada Berbagai Kasus Uji.

Apa Yang Dipelajari Lapisan Tersembunyi??
Lapisan Tersembunyi Di CNN Umumnya Adalah Lapisan Konvolusi Dan Penyatuan (Downsampling). Di Setiap Lapisan Konvolusi, Kami Mengambil Filter Berukuran Kecil Dan Memindahkan Filter Itu Melintasi Gambar Dan Melakukan Operasi Konvolusi. Operasi Konvolusi Tidak Lain Adalah Perkalian Matriks Elemen-Bijaksana Antara Nilai Filter Dan Piksel Dalam Gambar Dan Nilai Yang Dihasilkan Dijumlahkan.

Nilai Filter Disetel Melalui Proses Pelatihan Berulang Dan Setelah Jaringan Saraf Dilatih Untuk Sejumlah Epoch Tertentu, Filter Ini Mulai Mencari Berbagai Fitur Dalam Gambar. Ambil Contoh Deteksi Wajah Menggunakan Jaringan Saraf Convolutional. Lapisan Jaringan Sebelumnya Mencari Fitur Sederhana Seperti Tepi Pada Orientasi Yang Berbeda, Dll. Saat Kita Maju Melalui Jaringan, Lapisan Mulai Mendeteksi Fitur Yang Lebih Kompleks Dan Ketika Anda Melihat Fitur Yang Terdeteksi Oleh Lapisan Terakhir, Mereka Hampir Terlihat Seperti Wajah.

 

 

Sekarang, Mari Beralih Ke Pooling Layer. Pooling Layer Digunakan Untuk Menurunkan Sampel Gambar. Gambar Akan Berisi Banyak Nilai Piksel Dan Biasanya Mudah Bagi Jaringan Untuk Mempelajari Fitur-Fiturnya Jika Ukuran Gambar Diperkecil Secara Bertahap. Lapisan Pooling Membantu Dalam Mengurangi Jumlah Parameter Yang Diperlukan Dan Karenanya, Ini Mengurangi Perhitungan Yang Diperlukan. Pooling Juga Membantu Menghindari Overfitting. Ada Dua Jenis Operasi Pooling Yang Dapat Dilakukan:

·        *Max Pooling — Memilih Nilai Maksimum

·        *Average Pooling — Jumlahkan Semua Nilai Dan Bagi Dengan Jumlah Total Nilai

Penyatuan Rata-Rata Jarang Digunakan, Anda Dapat Menemukan Penyatuan Maksimum Yang Digunakan Di Sebagian Besar Contoh.

 

Kode

Sebelum Kita Memulai Pengkodean, Saya Ingin Memberi Tahu Anda Bahwa Kumpulan Data Yang Akan Kita Gunakan Adalah Kumpulan Data Digit MNIST Dan Kita Akan Menggunakan Perpustakaan Keras Dengan Backend Tensorflow Untuk Membangun Model. OK Cukup. Mari Kita Lakukan Beberapa Pengkodean.

 

 

 

 

Pertama, Mari Kita Lakukan Beberapa Impor Yang Diperlukan. Pustaka Keras Membantu Kami Membangun Jaringan Saraf Convolutional Kami. Kami Mengunduh Dataset Mnist Melalui Keras. Kami Mengimpor Model Sekuensial Yang Merupakan Model Keras Yang Dibuat Sebelumnya Di Mana Anda Bisa Menambahkan Lapisan. Kami Mengimpor Lapisan Konvolusi Dan Penyatuan. Kami Juga Mengimpor Lapisan Padat Karena Digunakan Untuk Memprediksi Label. Lapisan Untuk  Mengurangi Overfitting Dan Lapisan Rata Memperluas Vektor Tiga Dimensi Menjadi Vektor Satu Dimensi. Akhirnya, Kami Mengimpor Numpy Untuk Operasi Matriks.

 

Sebagian Besar Pernyataan Dalam Kode Di Atas Akan Menjadi Sepele, Saya Hanya Akan Menjelaskan Beberapa Baris Kode. Kami Membentuk Kembali X_Train Dan X_Test Karena CNN Kami Hanya Menerima Vektor Empat Dimensi. Nilai 60000 Mewakili Jumlah Gambar Dalam Data Pelatihan, 28 Mewakili Ukuran Gambar Dan 1 Mewakili Jumlah Saluran. Jumlah Saluran Diatur Ke 1 Jika Gambar Dalam Skala Abu-Abu Dan Jika Gambar Dalam Format RGB, Jumlah Saluran Diatur Ke 3. Kami Juga Mengubah Nilai Target Kami Menjadi Matriks Kelas Biner. Untuk Mengetahui Seperti Apa Matriks Kelas Biner Lihat Contoh Di Bawah Ini.

 

Kami Membangun Model Sekuensial Dan Menambahkan Lapisan Konvolusi Dan Lapisan Penyatuan Maksimal Ke Dalamnya. Kami Juga Menambahkan Lapisan Putus Sekolah Di Antaranya, Putus Sekolah Secara Acak Mematikan Beberapa Neuron Di Jaringan Yang Memaksa Data Untuk Menemukan Jalur Baru. Oleh Karena Itu, Ini Mengurangi Overfitting. Kami Menambahkan Lapisan Padat Di Akhir Yang Digunakan Untuk Prediksi Kelas (0–9).

 

Kami Sekarang Mengkompilasi Model Dengan Fungsi Kehilangan Entropi Lintas Kategoris, Pengoptimal Adadelta, Dan Metrik Akurasi. Kami Kemudian Menyesuaikan Dataset Ke Model, Yaitu Kami Melatih Model Selama 12 Epoch. Setelah Melatih Model, Kami Mengevaluasi Kehilangan Dan Keakuratan Model Pada Data Uji Dan Mencetaknya.

Keluaran

 

Kesimpulan

Convolution Neural Networks Memang Memiliki Beberapa Kekurangan Yang Ditunjukkan Oleh Geoffrey Hinton. Dia Mengemukakan Bahwa Jaringan Kapsulnya Adalah Cara Yang Harus Ditempuh Jika Kita Ingin Mencapai Akurasi Tingkat Manusia Dalam Domain Visi Komputer. Tapi, Sampai Sekarang, CNN Tampaknya Berjalan Dengan Sangat Baik. Tolong Beri Tahu Saya Jika Anda Menemukan Artikel Ini Bermanfaat, Terima Kasih :)