BLOG

TensorFlow – Machine Learning Framework buatan Google

Apakah kamu tertarik untuk belajar Machine Learning? Jika demikian kamu harus memahami TensorFlow sebagai salah satu framework yang paling banyak digunakan saat ini. Memang machine learning adalah disiplin ilmu yang sangat kompleks, namun sejatinya menerapkan model machine learning tidak seseram itu. Yuk cari tahu apa itu TensorFlow.

Apa itu TensorFlow?

TensorFlow adalah pustaka perangkat lunak sumber terbuka dan gratis untuk pembelajaran mesin. TensorFlow dapat digunakan dalam berbagai tugas tetapi memiliki fokus khusus pada pelatihan dan inferensi jaringan neural dalam. Tensorflow adalah pustaka matematika simbolis berdasarkan dataflow dan pemrograman. Saat ini, TensorFlow merupakan pustaka pembelajaran meesin paling terkenal di dunia.

Dicipatakan oleh tim Google Brain, produk Google satu ini, menggunakan pembelajaran mesin di semua produknya untuk meningkatkan mesin telusur, terjemahan, pemberian keterangan gambar, atau rekomendasi. Ia menggabungkan banyak model dan algoritma machine learning termasuk deep learning (neural network). Framework di susun menggunakan Python front-end API untuk membuat suatu aplikasi penggunaannya, dan menggunakan C++ yang memiliki kinerja terbaik dalam hal eksekusi.

Tensorflow dapat melatih dan menjalankan neural network untuk keperluan mengklasifikasikan tulisan tangan, pengenalan gambar/object, serta menggabungkan suatu kata. Selanjutnya adalah re-current neural network, yang merupakan model sequential, dapat digunakan untuk Natural Language Processing (NLP), PDE (Partial Differential Equation) berdasarkan simulasi. Dan yang paling utama adalah bahwa Tensorflow dapat digunakan pada skala yang besar untuk produksi dengan menggunakan model yang sama pada ketika proses training data.

Sebagai contoh nyata, pengguna Google dapat merasakan pencarian yang lebih cepat dengan AI. Jika pengguna mengetik kata kunci di bilah pencarian, Google memberikan rekomendasi tentang apa yang bisa menjadi kata berikutnya. Google ingin menggunakan pembelajaran mesin untuk memanfaatkan kumpulan data mereka yang sangat besar untuk memberikan pengalaman terbaik kepada pengguna.

Ada pun, tiga kelompok berbeda menggunakan pembelajaran mesin:

·         Peneliti

·         Ilmuwan data

·         Programmer

Mereka semua dapat menggunakan perangkat yang sama untuk berkolaborasi satu sama lain dan meningkatkan efisiensinya. TensorFloe dibangun untuk berjalan pada banyak CPU atau GPU dan bahkan sistem operasi seluler, dan memiliki beberapa pembungkus dalam beberapa bahasa seperti Python, C ++ atau Java.

Sejarah TensorFlow

Beberapa tahun yang lalu, pembelajaran mendalam mulai mengungguli semua algoritme pembelajaran mesin lainnya saat memberikan data dalam jumlah besar. Google melihatnya dapat menggunakan jaringan saraf dalam ini untuk meningkatkan layanannya:

·         Gmail

·         Foto

·         Mesin pencari Google

Mereka membangun kerangka kerja yang disebut Tensorflow agar peneliti dan pengembang dapat bekerja sama dalam model AI. Setelah dikembangkan dan diskalakan, ini memungkinkan banyak orang untuk menggunakannya.

Ini pertama kali dipublikasikan pada akhir 2015, sedangkan versi stabil pertama muncul pada 2017. Ini adalah open source di bawah lisensi Apache Open Source. Anda dapat menggunakannya, memodifikasinya, dan mendistribusikan ulang versi modifikasi dengan biaya tertentu tanpa membayar apa pun ke Google.

Arsitektur TensorFlow

Arsitektur Tensorflow berfungsi dalam tiga bagian:

·         Memproses ulang data

·         Membangun model

·         Melatih dan memperkirakan model

Ini disebut Tensorflow karena mengambil input sebagai larik multi-dimensi, juga dikenal sebagai tensor. Anda dapat membuat semacam diagram alur operasi (disebut Graph) yang ingin Anda lakukan pada input itu. Masukan masuk di satu ujung, dan kemudian mengalir melalui sistem operasi ganda ini dan keluar di ujung lainnya sebagai keluaran.

Baca juga: Tutorial Menjadi System Administrator Sekeren Bang Jago!

Inilah mengapa disebut TensorFlow karena tensor masuk ke dalamnya mengalir melalui daftar operasi, lalu keluar dari sisi lain.

Cara kerja TensorFlow

TensorFlow memungkinkan developer membuat grafik aliran data — struktur yang mendeskripsikan bagaimana data bergerak melalui grafik, atau serangkaian node pemrosesan. Setiap node dalam grafik mewakili operasi matematika, dan setiap koneksi atau tepi antar node adalah larik data multidimensi, atau tensor.

TensorFlow menyediakan semua ini untuk programmer melalui bahasa Python. Python mudah dipelajari dan digunakan, dan menyediakan cara mudah untuk mengekspresikan bagaimana abstraksi tingkat tinggi dapat digabungkan bersama. Node dan tensor di TensorFlow adalah objek Python, dan aplikasi TensorFlow itu sendiri adalah aplikasi Python.

Operasi matematika yang sebenarnya, bagaimanapun, tidak dilakukan dengan Python. Library transformasi yang tersedia melalui TensorFlow ditulis sebagai biner C ++ berperforma tinggi. Python hanya mengarahkan lalu lintas antar bagian, dan menyediakan abstraksi pemrograman tingkat tinggi untuk menghubungkannya.

Aplikasi TensorFlow dapat dijalankan di hampir semua target yang sesuai: mesin lokal, cluster di cloud, perangkat iOS dan Android, CPU atau GPU. Jika Anda menggunakan cloud milik Google, Anda dapat menjalankan TensorFlow pada silikon TensorFlow Processing Unit (TPU) khusus Google untuk akselerasi lebih lanjut. Namun, model hasil yang dibuat oleh TensorFlow dapat diterapkan di hampir semua perangkat yang akan digunakan untuk menyajikan prediksi.

TensorFlow 2.0, dirilis pada Oktober 2019, mengubah kerangka kerja dengan banyak cara berdasarkan masukan pengguna, untuk membuatnya lebih mudah digunakan (misalnya, dengan menggunakan API Keras yang relatif sederhana untuk pelatihan model) dan lebih berkinerja. Pelatihan terdistribusi lebih mudah dijalankan berkat API baru, dan dukungan untuk TensorFlow Lite memungkinkan penerapan model di berbagai platform yang lebih besar. Namun, kode yang ditulis untuk versi TensorFlow sebelumnya harus ditulis ulang — terkadang hanya sedikit, terkadang secara signifikan — untuk memanfaatkan fitur TensorFlow 2.0 baru secara maksimal.

Manfaat TensorFlow

Satu-satunya manfaat terbesar yang diberikan TensorFlow untuk pengembangan machine learning adalah abstraksi. Alih-alih berurusan dengan detail seluk beluk penerapan algoritme, atau mencari tahu cara yang tepat untuk menghubungkan keluaran dari satu fungsi ke masukan fungsi lainnya, pengembang dapat fokus pada logika aplikasi secara keseluruhan. TensorFlow menangani detail di balik layar.

TensorFlow menawarkan kemudahan tambahan untuk developer yang perlu melakukan debug dan melakukan introspeksi ke dalam aplikasi TensorFlow. Mode eager execution memungkinkan Anda mengevaluasi dan memodifikasi setiap operasi grafik secara terpisah dan transparan, alih-alih membuat seluruh grafik sebagai satu objek buram dan mengevaluasinya sekaligus. Rangkaian visualisasi TensorBoard memungkinkan Anda memeriksa dan membuat profil cara grafik dijalankan melalui dasbor interaktif berbasis web.

Baca juga: Menjadi Produktif dengan Teknik Pomodoro

TensorFlow juga mendapatkan banyak keuntungan dari dukungan sebuah perusahaan komersial A-list di Google. Google tidak hanya mendorong laju cepat pengembangan di belakang proyek, tetapi juga menciptakan banyak penawaran signifikan seputar TensorFlow yang membuatnya lebih mudah untuk diterapkan dan lebih mudah digunakan: silikon TPU yang disebutkan di atas untuk kinerja yang dipercepat di awan Google; hub online untuk berbagi model yang dibuat dengan kerangka; inkarnasi kerangka kerja dalam browser dan ramah seluler; dan banyak lagi.

Satu peringatan: Beberapa detail implementasi TensorFlow mempersulit perolehan hasil pelatihan model yang sepenuhnya deterministik untuk beberapa tugas pelatihan. Terkadang model yang dilatih di satu sistem akan sedikit berbeda dari model yang dilatih di sistem lain, meskipun model tersebut diberi data yang sama persis. Alasannya licin — misalnya, bagaimana angka acak diunggulkan dan di mana, atau perilaku non-deterministik tertentu saat menggunakan GPU). Meskipun demikian, masalah tersebut dapat diselesaikan, dan tim TensorFlow sedang mempertimbangkan lebih banyak kontrol untuk memengaruhi determinisme dalam alur kerja.

TensorFlow vs. kompetitor

TensorFlow bersaing dengan banyak framework machine learning lainnya. PyTorch, CNTK, dan MXNet adalah tiga kerangka kerja utama yang menangani banyak kebutuhan yang sama. Di bawah ini saya telah mencatat di mana mereka menonjol dan kalah dengan TensorFlow.

PyTorch, selain dibuat dengan Python, dan memiliki banyak kemiripan lain dengan TensorFlow: komponen yang dipercepat perangkat keras di bawah kapnya, model pengembangan yang sangat interaktif yang memungkinkan pekerjaan desain sesuai penggunaan, dan banyak komponen berguna yang sudah disertakan. PyTorch umumnya merupakan pilihan yang lebih baik untuk pengembangan cepat proyek yang perlu aktif dan berjalan dalam waktu singkat, tetapi TensorFlow menang untuk proyek yang lebih besar dan alur kerja yang lebih kompleks.

CNTK, Microsoft Cognitive Toolkit, seperti TensorFlow menggunakan struktur grafik untuk mendeskripsikan aliran data, tetapi sebagian besar berfokus pada pembuatan jaringan neural deep learning. CNTK menangani banyak pekerjaan jaringan neural lebih cepat, dan memiliki kumpulan API yang lebih luas (Python, C ++, C #, Java). Tetapi CNTK saat ini tidak mudah dipelajari atau diterapkan seperti TensorFlow.

Apache MXNet, diadopsi oleh Amazon sebagai kerangka kerja deep learning premier di AWS, dapat menskalakan hampir secara linier di beberapa GPU dan banyak mesin. Ini juga mendukung berbagai API bahasa — Python, C ++, Scala, R, JavaScript, Julia, Perl, Go — meskipun API aslinya tidak semenyenangkan untuk digunakan seperti TensorFlow.

Nah, sekarang kamu sudah tahu kan apa itu TensorFlow? Apakah kamu tertarik ntuk mempelajarinya secara lebih mandalam? Jika iya kamu bisa menghubungi dan mempersiapkan dirimu untuk tujuan sertifikasi oleh Google loh!

Rate this post
Facebook
Twitter
LinkedIn
WhatsApp
Telegram

Leave a Reply

Your email address will not be published. Required fields are marked *

Fill out this field
Fill out this field
Please enter a valid email address.
You need to agree with the terms to proceed

This site uses Akismet to reduce spam. Learn how your comment data is processed.