Apa itu TensorFlow? Cara Kerja [Dengan Contoh]

TensorFlow adalah library open source yang digunakan untuk membuat model machine learning. Ini adalah platform luar biasa bagi siapa saja yang bersemangat bekerja dengan pembelajaran mesin dan kecerdasan buatan. Selain itu, dengan pertumbuhan stabil yang disaksikan oleh pasar pembelajaran mesin, alat seperti TensorFlow menjadi sorotan saat perusahaan teknologi mengeksplorasi beragam kemampuan teknologi AI. Tak ayal, pasar machine learning global diproyeksikan mencapai valuasi US$ 117,19 miliar pada 2027 .

Namun pada awalnya, penting untuk mengetahui apa itu TensorFlow dan apa yang membuatnya menjadi pilihan populer di kalangan pengembang di seluruh dunia.

Apa itu TensorFlow?

TensorFlow adalah platform sumber terbuka ujung ke ujung untuk pembelajaran mesin dengan fokus khusus pada jaringan saraf dalam. Pembelajaran mendalam adalah bagian dari pembelajaran mesin yang melibatkan analisis data tidak terstruktur berskala besar. Pembelajaran mendalam berbeda dari pembelajaran mesin tradisional karena yang terakhir biasanya berurusan dengan data terstruktur.

TensorFlow membanggakan koleksi perpustakaan, alat, dan sumber daya komunitas yang fleksibel dan komprehensif. Ini memungkinkan pengembang membangun dan menyebarkan aplikasi canggih yang didukung oleh pembelajaran mesin. Salah satu hal terbaik tentang TensorFlow adalah ia menggunakan Python untuk menyediakan API front-end yang nyaman untuk membangun aplikasi sambil menjalankannya dalam C++ yang dioptimalkan dan berkinerja tinggi.

Tim Google Brain awalnya mengembangkan library pembelajaran mendalam TensorFlow Python untuk penggunaan internal. Sejak itu, platform open-source telah melihat pertumbuhan luar biasa dalam penggunaan dalam R&D dan sistem produksi.

Beberapa Dasar TensorFlow

Sekarang setelah kita memiliki gagasan mendasar tentang apa itu TensorFlow , saatnya untuk mempelajari beberapa detail lebih lanjut tentang platform tersebut.

Berikut ini adalah ikhtisar singkat tentang beberapa konsep dasar yang terkait dengan TensorFlow. Kita akan mulai dengan tensor – komponen inti dari TensorFlow tempat platform mendapatkan namanya.

Tensor

Di pustaka pembelajaran mendalam TensorFlow Python , tensor adalah larik yang mewakili tipe data. Tidak seperti vektor atau larik satu dimensi atau matriks dua dimensi, tensor dapat memiliki n dimensi. Dalam tensor, nilai menyimpan tipe data yang identik dengan bentuk yang diketahui. Bentuk mewakili dimensi. Dengan demikian, vektor akan menjadi tensor satu dimensi, matriks adalah tensor dua dimensi, dan skalar adalah tensor dimensi nol.

Sumber

Membentuk

Di pustaka TensorFlow Python , bentuk mengacu pada dimensi tensor.

Sumber

Pada gambar di atas, bentuk tensornya adalah (2,2,2).

Jenis

Tipe mewakili jenis data yang disimpan oleh nilai dalam tensor. Biasanya, semua nilai dalam tensor memiliki tipe data yang identik. Tipe data di TensorFlow adalah sebagai berikut:

• bilangan bulat
• titik mengambang
• bilangan bulat tak bertanda
• boolean
• string
• bilangan bulat dengan operasi terkuantisasi
• bilangan kompleks

Grafik

Graf adalah sekumpulan komputasi yang berlangsung secara berurutan pada tensor input. Ini terdiri dari susunan node yang mewakili operasi matematika dalam model.

Sidang

Sesi di TensorFlow menjalankan operasi dalam grafik. Ini dijalankan untuk mengevaluasi node dalam grafik.

Operator

Operator di TensorFlow adalah operasi matematika yang telah ditentukan sebelumnya.

Bagaimana Tensor Bekerja?

Di TensorFlow, grafik aliran data menjelaskan bagaimana data bergerak melalui serangkaian node pemrosesan. TensorFlow menggunakan grafik aliran data untuk membuat model. Perhitungan grafik di TensorFlow difasilitasi melalui interkoneksi antar tensor.

Tensor n-dimensi diumpankan ke jaringan saraf sebagai input, yang melalui beberapa operasi untuk memberikan output. Grafik memiliki jaringan node, di mana setiap node mewakili operasi matematika. Tetapi tepi antara node adalah array data multidimensi atau tensor. Sesi TensorFlow memungkinkan eksekusi grafik atau bagian grafik. Untuk itu, sesi mengalokasikan sumber daya pada satu atau lebih mesin dan menyimpan nilai aktual dari hasil dan variabel antara.

Sumber

Aplikasi TensorFlow dapat dijalankan di hampir semua target yang nyaman, yang dapat berupa CPU, GPU, cluster di cloud, mesin lokal, atau perangkat Android dan iOS.

Grafik Komputasi TensorFlow

Grafik komputasi di TensorFlow adalah jaringan node tempat setiap node mengoperasikan perkalian, penambahan, atau evaluasi beberapa persamaan multivariat. Di TensorFlow, kode ditulis untuk membuat grafik, menjalankan sesi, dan mengeksekusi grafik. Setiap variabel yang kita tetapkan menjadi simpul di mana kita dapat melakukan operasi matematika seperti perkalian dan penambahan.

Berikut adalah contoh sederhana untuk menunjukkan pembuatan grafik komputasi:

Misalkan kita ingin melakukan perhitungan: F(x,y,z) = (x+y)*z.

Ketiga variabel x, y, dan z akan diterjemahkan menjadi tiga node pada grafik di bawah ini:

Sumber

Langkah-langkah membuat grafik:

Langkah 1: Tetapkan variabel. Dalam contoh ini, nilainya adalah:

x = 1, y = 2, dan z = 3

Langkah 2: Tambahkan x dan y.

Langkah 3: Kalikan z dengan jumlah x dan y.

Akhirnya, kami mendapatkan hasilnya sebagai '9.'

Selain node di mana kita telah menetapkan variabel, grafik memiliki dua node lagi – satu untuk operasi penjumlahan dan satu lagi untuk operasi perkalian. Oleh karena itu, ada lima node secara keseluruhan.

Elemen Pemrograman Dasar di TensorFlow

Di TensorFlow, kita dapat menetapkan data ke tiga jenis elemen data yang berbeda – konstanta, variabel, dan placeholder.

Mari kita lihat apa yang diwakili oleh masing-masing elemen data ini.

1. Konstanta

Seperti yang terlihat dari namanya, konstanta adalah parameter dengan nilai yang tidak berubah. Di TensorFlow, sebuah konstanta didefinisikan menggunakan perintah tf.constant() . Selama perhitungan, nilai konstanta tidak dapat diubah.

Berikut ini contohnya:

c = tf.konstan(2.0,tf.float32)

d = tf.konstanta(3.0)

Cetak (c,d)

2. Variabel

Variabel memungkinkan penambahan parameter baru ke grafik. Perintah tf.variable() mendefinisikan variabel yang harus diinisialisasi sebelum menjalankan grafik dalam sebuah sesi.

Berikut ini contohnya:

Y = tf.Variable([.4],dtype=tf.float32)

a = tf.Variable([-.4],dtype=tf.float32)

b = tf.placeholder(tf.float32)

linear_model = Y*b+a

3. Placeholder

Menggunakan placeholder, seseorang dapat memasukkan data ke dalam model dari luar. Ini memungkinkan penetapan nilai di kemudian hari. Perintah tf.placeholder() mendefinisikan placeholder.

Berikut ini contohnya:

c = tf.placeholder(tf.float32)

d = c*2

hasil = sess.run(d,feed_out={c:3.0})

Placeholder terutama digunakan untuk memberi makan model. Data dari luar diumpankan ke grafik menggunakan nama variabel (nama variabel dalam contoh di atas adalah feed_out). Selanjutnya saat menjalankan sesi, kami menentukan bagaimana kami ingin memasukkan data ke model.

Contoh sesi:

Eksekusi grafik dilakukan dengan memanggil sesi. Sesi dijalankan untuk mengevaluasi node grafik, yang disebut runtime TensorFlow. Perintah sess = tf.Session() membuat sesi.

Contoh:

x = tf.konstanta(3.0)

y = tf.konstanta(4.0)

z = x+y

sess = tf.Session() #Peluncuran Sesi

print(sess.run(z)) #Mengevaluasi Tensor z

Dalam contoh di atas, ada tiga simpul – x, y, dan z. Node 'z' adalah tempat operasi matematika dilakukan, dan selanjutnya, hasilnya diperoleh. Setelah membuat sesi dan menjalankan node z, pertama, node x dan y akan dibuat. Kemudian, operasi penjumlahan akan berlangsung di simpul z. Oleh karena itu, kita akan mendapatkan hasil '7'.

Tingkatkan Karir Anda di ML dan Pembelajaran Mendalam dengan upGrad

Mencari tempat terbaik untuk mengetahui lebih banyak tentang apa itu TensorFlow ? Kemudian upGrad hadir untuk membantu Anda dalam perjalanan belajar Anda.

Dengan basis pelajar yang mencakup 85+ negara, upGrad adalah platform EdTech tinggi terbesar di Asia Selatan yang telah memengaruhi lebih dari 500.000 profesional yang bekerja secara global. Dengan fakultas kelas dunia, kolaborasi dengan mitra industri, teknologi terbaru, dan praktik pedagogik terbaru, upGrad memastikan pengalaman belajar yang sehat dan mendalam bagi 40.000+ pelajar berbayar di seluruh dunia.

Program Sertifikat Tingkat Lanjut dalam Pembelajaran Mesin dan Pembelajaran Mendalam adalah kursus 6 bulan yang ketat secara akademis dan relevan dengan industri yang mencakup konsep Pembelajaran Mendalam.

Sorotan Program:

• Pengakuan bergengsi dari IIIT Bangalore
• 240+ jam konten dengan 5+ studi kasus dan proyek, 24+ sesi langsung, dan 15+ sesi pelatihan ahli
• Cakupan komprehensif dari 12 alat, bahasa, dan pustaka (termasuk TensorFlow)
• Bantuan karir 360 derajat, sesi bimbingan, dan peluang jaringan peer-to-peer

Master of Science upGrad dalam Pembelajaran Mesin dan Kecerdasan Buatan adalah program tangguh selama 18 bulan bagi mereka yang ingin belajar dan meningkatkan keterampilan diri mereka sendiri dengan Pembelajaran Mesin dan teknologi cloud yang canggih.

Sorotan Program:

• Pengakuan bergengsi dari Liverpool John Moores University dan IIT Madras
• 650+ jam konten dengan 25+ studi kasus dan proyek, 20+ sesi langsung, dan 8+ tugas pengkodean
• Cakupan komprehensif 7 alat dan bahasa pemrograman (termasuk TensorFlow)
• Bantuan karir 360 derajat, sesi bimbingan, dan peluang jaringan peer-to-peer

Kesimpulan

Pembelajaran Mesin dan Kecerdasan Buatan terus berkembang. Apa yang dulunya tema film sci-fi sekarang menjadi kenyataan. Dari rekomendasi film Netflix dan asisten virtual hingga mobil self-driving dan penemuan obat, pembelajaran mesin memengaruhi semua dimensi kehidupan kita. Selain itu, dengan alat seperti TensorFlow, inovasi dalam pembelajaran mesin telah mencapai tingkat yang baru. Pustaka sumber terbuka tidak diragukan lagi merupakan anugerah bagi pengembang dan profesional pemula yang berinovasi dalam teknologi berbasis pembelajaran mesin.

Jadi tunggu apa lagi? Mulai belajar dengan upGrad hari ini!