Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, Optuna mencoba 14 kombinasi hyperparameter secara otomatis, menghentikan percobaan yang tidak menjanjikan di tengah jalan, dan menunjukkan bahwa learning rate adalah hyperparameter yang paling berpengaruh. Model akhirnya mencapai akurasi validasi 93%. Ayo kita mulai. Halo, selamat datang di episode kelima seri deteksi penyakit daun dengan transfer learning dan optimasi hyperparameter. Di episode sebelumnya kita memilih 4 blok dan learning rate 0,0003 berdasarkan pengalaman. Dalam penelitian, pilihan seperti ini sebaiknya dicari secara sistematis. Optuna adalah liberari optimasi hyperparameter yang populer, kita cukup menulis fungsi objektive, dan Optuna yang mencari kombinasi terbaik dengan cerdas. Buat file optuna underscore daun dot py.
Langkah 1: Fungsi objective & ruang pencarian
Inti Optuna adalah fungsi objektive yang menerima objek trial. Di dalamnya kita mendefinisikan ruang pencarian, learning rate dari 0,0001 sampai 0,003 dalam skala log, dropout 0 sampai 0,5, jumlah blok yang dibuka 0 sampai 6, dan weight decai dalam skala log. Model dibuat dengan nilai-nilai itu lalu dilatih 3 epoch dengan separuh data latih supaya cepat.
Langkah 2: Pruning dengan callback lapor
Perhatikan fungsi lapor. Setiap epoch, akurasi validasi dilaporkan ke Optuna dengan trial report. Jika trial sol prunet bernilai benar, artinya hasil sementara trial ini lebih buruk dari median trial lain, maka percobaan dihentikan lebih awal dengan trial prunet. Inilah pruning, yang menghemat banyak waktu. Callback ini kita kirim ke fungsi latih dari episode 3. Kita buat study dengan arah maximize,
Langkah 3: Study, TPE sampler, dan grafik
TPI sampler, yaitu algoritma Bayesian yang memilih kombinasi berikutnya berdasarkan hasil sebelumnya, dan median pruner. Optimize menjalankan 14 trial, dan setiap trial dicetak ringkas. Hasil terbaik disimpan ke JSON, lalu 2 grafik, riwayat nilai trial dan kepentingan hyperparameter.
Langkah 4: Menjalankan optimasi Optuna
Jalankan. Prosesnya sekitar 2 menit, videonya kita percepat. Lihat terminal, dari 14 trial, 8 dihentikan lebih awal oleh pruner. Trial dengan 0 blok terbuka hanya mencapai sekitar 60%, menegaskan pentingnya fine-tuning.
Langkah 4: sis optimasi Optuna
Trial terbaik nomor 13, dengan learning rate 0,00021, dropout 0,21, 6 blok terbuka, dan akurasi validasi 87,3% dalam 3 epok pendek.
Langkah 4: Menjalankan optimasi Optuna
Grafik kanan menunjukkan learning rate sebagai hyperparameter paling penting, diikuti Wade Decai dan dropout.
Langkah 5: yi model akhir
Sekarang buat file latih underscore terbaik.py. Kita baca hyperparameter terbaik, membuat model dengan dropout tersebut, memuat bobot feature extraction, membuka 6 blok, lalu melatih penuh 6 epok dengan cosine annealing. Jalankan. Akurasi validasi naik sampai 93%, sedikit di atas hasil fine-tuning manual 92,7. Model disimpan sebagai model terbaik.pt.
& Selesai!
Selesai. Kita sudah memakai Optuna dengan fungsi objektive, ruang pencarian, TPI sampler, median pruner, dan analisis kepentingan hyperparameter, lalu melatih model akhir dengan hyperparameter terbaik. Di episode terakhir kita mengevaluasi model di data uji perkelas, membaca confusion matrix, dan membuat aplikasi web deteksi penyakit daun. Sedang menyusun skripsi, tesis, atau riset AI di bidang AI pertanian. Cerdas inovasi digital membantu implementasi deep learning, dari transfer learning mobile net dan resnet, fine-tuning, optimasi hyperparameter dengan Optuna, sampai aplikasi web dan penulisan hasil, serta membuka kursus deep learning dengan Pythor. Ingin menguasai seluruh seri ini, dari dataset plan village sampai aplikasi web deteksi penyakit daun? Semua enam episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
