Unknown user: Created page with "Model: model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0...."

2025-03-17T00:13:06Z

Created page with "Model: model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0...."

New page

Model:

model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])

Berikut adalah penjelasan dari setiap lapisan dalam model TensorFlow/Keras yang kamu berikan:

==1. '''Flatten'''==

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

* Lapisan ini digunakan untuk mengubah (flatten) input dari bentuk '''matriks 2D''' menjadi '''vektor 1D'''.
* Dalam kasus ini, inputnya adalah gambar berukuran '''28x28''' piksel, yang akan diratakan menjadi '''vektor 1D dengan panjang 784 (28×28)'''.
* Flatten '''tidak memiliki parameter yang dipelajari''', hanya mengubah bentuk data.

==2. '''Dense'''==

tf.keras.layers.Dense(128, activation='relu')

* Ini adalah '''fully connected layer (dense layer)''' dengan '''128 neuron'''.
* Setiap neuron menerima input dari semua elemen di lapisan sebelumnya (lapisan Flatten).
* Menggunakan fungsi aktivasi '''ReLU (Rectified Linear Unit)''' untuk memperkenalkan non-linearitas:

ReLU(x) = max(0, x)

* Fungsi aktivasi ini membantu jaringan belajar representasi yang lebih kompleks.

==3. '''Dropout'''==

tf.keras.layers.Dropout(0.2)

* Digunakan untuk '''regularisasi''' agar model tidak overfitting.
* '''Dropout 0.2''' berarti 20% dari neuron di lapisan sebelumnya (Dense 128) akan '''dinonaktifkan secara acak''' selama training.
* Ini membantu model untuk tidak terlalu bergantung pada fitur tertentu dan meningkatkan generalisasi pada data baru.

==4. '''Dense (Output Layer)'''==

tf.keras.layers.Dense(10)

* Lapisan ini memiliki '''10 neuron''', sesuai dengan jumlah '''kelas yang ingin diprediksi''' (misalnya untuk klasifikasi digit 0-9 dalam dataset MNIST).
* '''Tidak ada fungsi aktivasi''' dalam lapisan ini karena biasanya '''fungsi aktivasi softmax''' akan diterapkan di luar model (misalnya dalam fungsi loss `SparseCategoricalCrossentropy` yang sudah mengandung softmax secara internal).
* Jika ingin eksplisit, kita bisa menambahkan `activation='softmax'` agar output berupa probabilitas untuk setiap kelas.

=='''Kesimpulan'''==
Model ini digunakan untuk klasifikasi gambar digit 28x28 piksel, kemungkinan besar dataset MNIST. Alurnya adalah:
* '''Flatten''' → Meratakan gambar dari (28,28) menjadi vektor 784.
* '''Dense (128 ReLU)''' → Lapisan tersembunyi dengan 128 neuron dan aktivasi ReLU.
* '''Dropout (0.2)''' → Mengurangi overfitting dengan menonaktifkan 20% neuron secara acak saat training.
* '''Dense (10 output tanpa aktivasi)''' → Menghasilkan 10 nilai logit untuk klasifikasi ke 10 kelas.

Jika model ini digunakan untuk klasifikasi, umumnya loss function yang digunakan adalah '''SparseCategoricalCrossentropy''' atau '''CategoricalCrossentropy''', tergantung pada format label.

==Pranala Menarik==

* [[TensorFlow]]

TF: Penjelasan Model TensorFlow - Revision history

Unknown user: Created page with "Model: model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0...."