TF: TensorFlow Colab

1. **Menggunakan TensorFlow di Google Colab**

TensorFlow adalah pustaka open-source yang digunakan untuk machine learning dan deep learning. Salah satu keuntungan besar menggunakan **Google Colab** adalah bahwa **TensorFlow sudah terpasang secara bawaan**, sehingga tidak perlu menginstalnya secara manual. Kita bisa langsung menggunakannya dengan perintah berikut:

```python import tensorflow as tf print(tf.__version__) ``` Kode ini akan menampilkan versi TensorFlow yang sudah terinstal di Google Colab.

---

1. **1. Mengecek TensorFlow di Google Colab**

Sebelum menggunakan TensorFlow, kita bisa memastikan bahwa pustaka ini sudah tersedia dengan menjalankan: ```python import tensorflow as tf

Cek versi TensorFlow

print("TensorFlow version:", tf.__version__) ```

- Contoh Output (versi bisa berbeda-beda tergantung update terbaru):**

``` TensorFlow version: 2.12.0 ```

Jika ingin memastikan bahwa TensorFlow mendukung GPU, kita bisa menjalankan: ```python print("GPU Available:", tf.config.list_physical_devices('GPU')) ``` Jika Google Colab mendeteksi GPU, outputnya akan menunjukkan informasi GPU yang tersedia.

---

1. **2. Mengecek Apakah Google Colab Menggunakan GPU atau CPU**

Google Colab menyediakan dukungan **GPU dan TPU** untuk mempercepat komputasi deep learning. Kita bisa mengecek apakah Colab menggunakan GPU dengan:

```python import tensorflow as tf

Cek apakah menggunakan GPU

if tf.config.list_physical_devices('GPU'):

   print("GPU is available! 🚀")

else:

   print("Using CPU only")

```

Jika ingin melihat detail GPU yang digunakan: ```python !nvidia-smi ```

Jika ingin menggunakan TPU: ```python import tensorflow as tf try:

   tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
   print("TPU Available! 🚀")

except ValueError:

   print("No TPU found, using CPU/GPU.")

```

---

1. **3. Membuat Model Sederhana dengan TensorFlow**

Karena TensorFlow sudah terpasang di Colab, kita bisa langsung membuat model deep learning tanpa perlu instalasi tambahan.

1. 1. **Contoh: Model Jaringan Neural Sederhana**

```python import tensorflow as tf from tensorflow import keras import numpy as np

Dataset contoh (data dummy)

x_train = np.random.rand(1000, 10) y_train = np.random.randint(2, size=(1000, 1))

Membuat model

model = keras.Sequential([

   keras.layers.Dense(64, activation='relu', input_shape=(10,)),
   keras.layers.Dense(32, activation='relu'),
   keras.layers.Dense(1, activation='sigmoid')

])

Kompilasi model

model.compile(optimizer='adam',

             loss='binary_crossentropy',
             metrics=['accuracy'])

Latih model

model.fit(x_train, y_train, epochs=10, batch_size=32) ```

---

1. **4. Menggunakan TensorFlow untuk Machine Learning**
  1. **Contoh: Menggunakan Dataset MNIST**

Google Colab juga memungkinkan kita untuk langsung menggunakan dataset seperti **MNIST (gambar tulisan tangan 0-9)**.

```python import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt

Load dataset MNIST

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

Normalisasi pixel ke skala 0-1

x_train, x_test = x_train / 255.0, x_test / 255.0

Tampilkan sampel gambar

plt.imshow(x_train[0], cmap='gray') plt.title(f"Label: {y_train[0]}") plt.show()

Membuat model sederhana

model = keras.Sequential([

   keras.layers.Flatten(input_shape=(28, 28)),
   keras.layers.Dense(128, activation='relu'),
   keras.layers.Dense(10, activation='softmax')

])

Kompilasi model

model.compile(optimizer='adam',

             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

Latih model

model.fit(x_train, y_train, epochs=5)

Evaluasi model

test_loss, test_acc = model.evaluate(x_test, y_test) print("Akurasi model pada data uji:", test_acc) ```

---

1. **5. Menggunakan TensorFlow untuk Deep Learning dengan CNN**

TensorFlow juga bisa digunakan untuk **Computer Vision** menggunakan **Convolutional Neural Network (CNN)**.

1. 1. **Contoh: CNN untuk Klasifikasi CIFAR-10**

```python import tensorflow as tf from tensorflow.keras import layers, models

Load dataset CIFAR-10

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()

Normalisasi data

x_train, x_test = x_train / 255.0, x_test / 255.0

Arsitektur CNN

model = models.Sequential([

   layers.Conv2D(32, (3,3), activation='relu', input_shape=(32, 32, 3)),
   layers.MaxPooling2D((2,2)),
   layers.Conv2D(64, (3,3), activation='relu'),
   layers.MaxPooling2D((2,2)),
   layers.Conv2D(128, (3,3), activation='relu'),
   layers.Flatten(),
   layers.Dense(128, activation='relu'),
   layers.Dense(10, activation='softmax')

])

Kompilasi model

model.compile(optimizer='adam',

             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])

Latih model

model.fit(x_train, y_train, epochs=5, batch_size=64)

Evaluasi model

test_loss, test_acc = model.evaluate(x_test, y_test) print("Akurasi model pada data uji:", test_acc) ```

---

1. **6. Menyimpan dan Memuat Model TensorFlow**
  1. **Menyimpan Model**

```python model.save('my_model') ``` Model ini bisa diunduh ke Google Drive dengan: ```python from google.colab import files files.download('my_model') ```

1. 1. **Memuat Model**

```python new_model = tf.keras.models.load_model('my_model') ```

---

1. **Kesimpulan**

- **Google Colab sudah memiliki TensorFlow bawaan**, sehingga bisa langsung diimport tanpa instalasi. - **Colab mendukung CPU, GPU, dan TPU** untuk mempercepat model machine learning. - **Kita bisa langsung membuat dan melatih model deep learning** dengan dataset seperti **MNIST dan CIFAR-10**. - **Google Colab memungkinkan menyimpan dan berbagi model dengan mudah**.

Jika kamu ingin langsung mencoba TensorFlow di Google Colab, cukup buka: 🔗 [1](https://colab.research.google.com) 🚀

TF: TensorFlow Colab

Navigation menu

Search