| Istilah | Arti |
|---|---|
| PyTorch | Pustaka deep learning untuk Python yang dipakai dalam kuliah ini untuk membuat dan melatih model. |
| tensor | Struktur data dalam PyTorch untuk menyimpan input, output, dan parameter model. |
| NumPy | Pustaka Python untuk array numerik yang operasi datanya mirip dengan PyTorch. |
| GPU | Prosesor grafis yang mempercepat operasi PyTorch dibanding CPU saat melatih model besar. |
| autograd | Fitur PyTorch yang menghitung gradien secara otomatis ketika model sedang diperbarui. |
| shape | Ukuran tiap dimensi sebuah tensor yang dapat dicek dengan atribut shape pada objek tensor. |
| batch | Kumpulan beberapa input yang diproses bersamaan, biasanya ditaruh pada dimensi pertama tensor. |
| loss | Nilai kesalahan model yang dihitung agar bisa diperkecil selama proses pelatihan berlangsung. |
| linear layer | Lapisan jaringan yang mengubah input ke dimensi lain dengan bobot dan bias sebagai parameternya. |
| sine wave | Kurva sinus yang dipakai dalam contoh untuk melatih model mengklasifikasikan titik di atas atau di bawahnya. |
| backward | Perintah PyTorch yang menghitung gradien semua parameter dari nilai loss yang sudah dihitung. |
| gradients | Turunan yang menunjukkan arah perubahan bobot agar loss menjadi lebih kecil. |
Kuliah ini dibawakan oleh Jamison Meindl dari MIT OpenCourseWare dan menjadi pengantar penggunaan PyTorch untuk mahasiswa yang akan mengerjakan pset deep learning. Ia menjelaskan bahwa PyTorch banyak dipakai dalam riset maupun proyek industri karena dapat dijalankan di GPU sehingga model deep learning selesai dalam waktu wajar. Operasi data di PyTorch mirip dengan NumPy, dan fitur autograd menghitung gradien secara otomatis saat model dilatih, sehingga bobot model mudah diperbarui. Materi ini penting sebagai dasar sebelum mahasiswa masuk ke detail tugas yang lebih kompleks.
Pembahasan dimulai dari tensor, cara membuatnya dari list, NumPy, atau fungsi seperti ones dan rand, serta cara memeriksa shape, dtype float32, dan device. Ia menunjukkan indexing, permute, view, cat, stack, perkalian matriks, dan operasi element-wise. Untuk autograd, ia menjelaskan perintah backward dan torch.no_grad, lalu optimizer SGD dan Adam. Contoh linear layer dilatih agar selalu menghasilkan output 1 koma 1 sehingga loss turun mendekati nol. Kuliah ditutup dengan Sequential yang menggabungkan linear dan ReLU, serta model klasifikasi titik di atas atau di bawah kurva sinus memakai Adam dan cross-entropy.
Kata kunci
- PyTorch
- tensor
- autograd
- linear layer
- Mempelajari dasar PyTorch: tensor (ukuran, shape, operasi), perbandingannya dengan NumPy, dan keunggulan menjalankan di GPU.
- Memakai autograd untuk menghitung turunan, lalu membangun model dengan lapisan linear dan memberi input batch.
- Melatih model yang mengklasifikasikan titik di atas atau di bawah gelombang sinus.
Tulis catatan pribadimu untuk video ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.