Pengantar deep learning dengan PyTorch

Pengantar Deep Learning dengan PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Deep learning di mana-mana!

Ilustrasi berbagai bahasa di sekitar globe

Pengantar Deep Learning dengan PyTorch

Deep learning di mana-mana!

Ilustrasi berbagai bahasa di sekitar globe, dan mobil tanpa pengemudi

Pengantar Deep Learning dengan PyTorch

Deep learning di mana-mana!

Ilustrasi berbagai bahasa di sekitar globe, mobil tanpa pengemudi, dan diagnosis medis

Pengantar Deep Learning dengan PyTorch

Deep learning di mana-mana!

Ilustrasi berbagai bahasa di sekitar globe, mobil tanpa pengemudi, dan diagnosis medis

Pengantar Deep Learning dengan PyTorch

Apa itu deep learning?

Diagram bawang yang menunjukkan deep learning sebagai subset machine learning

Diagram jaringan saraf kecil

Pengantar Deep Learning dengan PyTorch

Apa itu deep learning?

Diagram bawang yang menunjukkan deep learning sebagai subset machine learning

Diagram jaringan saraf dengan banyak lapisan

Pengantar Deep Learning dengan PyTorch

Jaringan deep learning

$$

  • Terinspirasi dari cara otak manusia belajar

Ilustrasi seseorang mempelajari otak

Pengantar Deep Learning dengan PyTorch

Jaringan deep learning

$$

  • Terinspirasi dari cara otak manusia belajar
  • Neuron ➔ jaringan saraf
  • Model memerlukan banyak data
  • Minimal ratusan ribu data poin

Ilustrasi seseorang mempelajari otak, menyorot neuron

Pengantar Deep Learning dengan PyTorch

PyTorch: framework deep learning

$$

$$

  • Salah satu framework paling populer
  • Awalnya dikembangkan Meta AI, kini di Linux Foundation
  • Intuitif dan mudah digunakan
  • Mirip dengan NumPy

 

Logo PyTorch

Pengantar Deep Learning dengan PyTorch

Tensor PyTorch

$$

  • Tensor:
    • Mirip array atau matriks
    • Blok pembangun jaringan saraf

$$

import torch

my_list = [[1, 2, 3], [4, 5, 6]]
tensor = torch.tensor(my_list)
print(tensor)

tensor([[1, 2, 3],
        [4, 5, 6]])
Pengantar Deep Learning dengan PyTorch

Atribut tensor

  • Bentuk tensor
my_list = [[1, 2, 3], [4, 5, 6]]
tensor = torch.tensor(my_list)
print(tensor.shape)

torch.Size([2, 3])
  • Tipe data tensor
print(tensor.dtype)

torch.int64
Pengantar Deep Learning dengan PyTorch

Mulai operasi tensor

Bentuk yang kompatibel

a = torch.tensor([[1, 1], 
                  [2, 2]])

b = torch.tensor([[2, 2], 
                  [3, 3]])
  • Penjumlahan / pengurangan
print(a + b)

tensor([[3, 3],
        [5, 5]])

Bentuk yang tidak kompatibel

a = torch.tensor([[1, 1], 
                  [2, 2]])

c = torch.tensor([[2, 2, 4], 
                  [3, 3, 5]])
  • Penjumlahan / pengurangan
print(a + c)

RuntimeError: The size of tensor a
(2) must match the size of tensor b (3) 
at non-singleton dimension 1
Pengantar Deep Learning dengan PyTorch

Perkalian elemen-sepadan

a = torch.tensor([[1, 1], 
                  [2, 2]])
b = torch.tensor([[2, 2], 
                  [3, 3]])
print(a * b)

tensor([[2,  2],
        [6, 6]])
Pengantar Deep Learning dengan PyTorch

Perkalian matriks

Perkalian matriks

Pengantar Deep Learning dengan PyTorch

Perkalian matriks

Perkalian matriks disorot

$$

  • $1 \cdot 2 + 1 \cdot 3 = 5$

$$

  • Lakukan penjumlahan dan perkalian untuk memproses data dan mempelajari pola
Pengantar Deep Learning dengan PyTorch

Ayo berlatih!

Pengantar Deep Learning dengan PyTorch

Preparing Video For Download...