TF: TensorFlow 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:

import tensorflow as tf
print(tf.__version__)

Kode ini akan menampilkan versi TensorFlow yang sudah terinstal di Google Colab.

1. Mengecek TensorFlow di Google Colab

Sebelum menggunakan TensorFlow, kita bisa memastikan bahwa pustaka ini sudah tersedia dengan menjalankan:

import tensorflow as tf

# Cek versi TensorFlow
print("TensorFlow version:", tf.__version__)

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

TensorFlow version: 2.18.0

Jika ingin memastikan bahwa TensorFlow mendukung GPU, kita bisa menjalankan:

print("GPU Available:", tf.config.list_physical_devices('GPU'))

Jika Google Colab mendeteksi GPU, outputnya akan menunjukkan informasi GPU yang tersedia.

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:

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:

!nvidia-smi

Jika ingin menggunakan TPU:

import tensorflow as tf
try:
    tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
    print("TPU Available! 🚀")
except ValueError:
    print("No TPU found, using CPU/GPU.")

3. Membuat Model Sederhana dengan TensorFlow

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

Contoh: Model Jaringan Neural Sederhana

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)

4. Menggunakan TensorFlow untuk Machine Learning

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

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)

5. Menggunakan TensorFlow untuk Deep Learning dengan CNN

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

Contoh: CNN untuk Klasifikasi CIFAR-10

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)

6. Menyimpan dan Memuat Model TensorFlow

Menyimpan Model

model.save('my_model')

Model ini bisa diunduh ke Google Drive dengan:

from google.colab import files
files.download('my_model')

Memuat Model

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

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 ingin langsung mencoba TensorFlow di Google Colab, cukup buka:

• [1](https://colab.research.google.com) 🚀

Pranala Menarik

• TensorFlow