TF: TensorFlow untuk dataset CIFAR-10

Berikut adalah contoh kode Python yang membangun model Convolutional Neural Network (CNN) menggunakan Keras untuk mengklasifikasikan dataset CIFAR-10, melakukan prediksi, dan memvisualisasikan hasilnya:

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np

# Memuat dataset CIFAR-10
(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()

# Normalisasi nilai piksel ke rentang 0 hingga 1
x_train, x_test = x_train / 255.0, x_test / 255.0

# Mendefinisikan nama kelas
class_names = ['Pesawat', 'Mobil', 'Burung', 'Kucing', 'Rusa', 'Anjing', 'Katak', 'Kuda', 'Kapal', 'Truk']

# Membangun model 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(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10)
])

# Kompilasi model
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# Melatih model
history = model.fit(x_train, y_train, epochs=10, 
                    validation_data=(x_test, y_test))

# Mengevaluasi model
test_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)
print(f'\nAkurasi pada data uji: {test_acc:.2f}')

# Membuat prediksi
probability_model = models.Sequential([model, 
                                       layers.Softmax()])
predictions = probability_model.predict(x_test)

# Fungsi untuk memplot gambar dengan prediksi
def plot_image(i, predictions_array, true_label, img):
    true_label, img = true_label[i][0], img[i]
    plt.grid(False)
    plt.xticks([])
    plt.yticks([])  

    plt.imshow(img, cmap=plt.cm.binary) 

    predicted_label = np.argmax(predictions_array)
    if predicted_label == true_label:
        color = 'blue'
    else:
        color = 'red'

    plt.xlabel(f"{class_names[predicted_label]} ({class_names[true_label]})", color=color)

# Fungsi untuk memplot nilai prediksi
def plot_value_array(i, predictions_array, true_label):
    true_label = true_label[i][0]
    plt.grid(False)
    plt.xticks(range(10))
    plt.yticks([])
    thisplot = plt.bar(range(10), predictions_array, color="#777777")
    plt.ylim([0, 1])
    predicted_label = np.argmax(predictions_array)

    thisplot[predicted_label].set_color('red')
    thisplot[true_label].set_color('blue')

# Memvisualisasikan beberapa gambar beserta prediksinya
num_rows = 5
num_cols = 3
num_images = num_rows * num_cols
plt.figure(figsize=(2*2*num_cols, 2*num_rows))
for i in range(num_images):
    plt.subplot(num_rows, 2*num_cols, 2*i+1)
    plot_image(i, predictions[i], y_test, x_test)
    plt.subplot(num_rows, 2*num_cols, 2*i+2)
    plot_value_array(i, predictions[i], y_test)
plt.tight_layout()
plt.show()

Penjelasan Kode:

1. Memuat dan Mempersiapkan Data:

• Dataset CIFAR-10 dimuat menggunakan `tensorflow.keras.datasets.cifar10.load_data()`.
• Data gambar dinormalisasi ke rentang 0 hingga 1 untuk mempercepat konvergensi model.

2. Membangun Model CNN:

• Model Sequential Keras digunakan untuk menumpuk lapisan-lapisan jaringan.
• Tiga lapisan konvolusi (`Conv2D`) dengan fungsi aktivasi ReLU dan lapisan pooling (`MaxPooling2D`) ditambahkan untuk ekstraksi fitur.
• Lapisan flatten digunakan untuk meratakan output sebelum memasuki lapisan dense.
• Dua lapisan dense digunakan, yang terakhir memiliki 10 neuron sesuai dengan jumlah kelas.

3. Kompilasi dan Pelatihan Model:

• Model dikompilasi dengan optimizer Adam dan fungsi loss `SparseCategoricalCrossentropy`.
• Model dilatih selama 10 epoch dengan data pelatihan dan divalidasi menggunakan data uji.

4. Evaluasi Model:

• Model dievaluasi pada data uji untuk mendapatkan akurasi.

5. Prediksi dan Visualisasi:

• Prediksi dibuat untuk data uji.
• Fungsi `plot_image` dan `plot_value_array` digunakan untuk menampilkan gambar beserta prediksi dan probabilitasnya.
• Beberapa gambar beserta prediksinya ditampilkan dalam grid.

Catatan:

• Untuk mencapai akurasi yang lebih tinggi, Anda dapat menambahkan teknik augmentasi data atau menggunakan arsitektur model yang lebih kompleks.
• Pastikan Anda memiliki semua pustaka yang diperlukan terinstal, seperti TensorFlow dan Matplotlib.

Pranala Menarik

• TensorFlow