Description

Disini saya menggunakan dataset MNIST untuk melatih model deep learning mengenali angka dari gambar. Saya membangun sebuah model deep learning dengan 1 layer input, 1 layer tersembunyi, 1 layer dropout, dan 1 layer output. Model ini kemudian di compile dengan optimizer Adam dan loss function categorical cross-entropy. Setelah itu, model di training pada dataset testing dan mencetak akurasi hasil evaluasi.

·         Contoh program yang saya buat sebagai berikut:

# Import library yang dibutuhkan

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras import layers

# Cek apakah GPU tersedia

physical_devices = tf.config.list_physical_devices('GPU')

print("Jumlah GPU yang tersedia:", len(physical_devices))

tf.config.experimental.set_memory_growth(physical_devices[0], True)

# Unduh dataset MNIST

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Normalisasi nilai piksel menjadi 0-1

x_train = x_train.astype("float32") / 255

x_test = x_test.astype("float32") / 255

# Konversi label menjadi one-hot encoding

y_train = keras.utils.to_categorical(y_train, 10)

y_test = keras.utils.to_categorical(y_test, 10)

# Bangun model deep learning

model = keras.Sequential([

    layers.Flatten(input_shape=(28, 28)),

    layers.Dense(512, activation='relu'),

    layers.Dropout(0.5),

    layers.Dense(10, activation='softmax')

])

# Compile model dengan optimizer Adam dan loss function categorical cross-entropy

model.compile(optimizer='adam',

              loss='categorical_crossentropy',

              metrics=['accuracy'])

# Training model dengan batch size 128 dan epoch 10

history = model.fit(x_train, y_train, batch_size=128, epochs=10,

                    validation_data=(x_test, y_test))

# Evaluasi model pada dataset testing

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)

print('\nTest accuracy:', test_acc)