Modul Interface
Pada sesi ini kita bahas tensorflow dalam kaitannya dengan Modul Interface untuk menyetel dataset dan data train utamanya Modul Numpy dan Keras.
Terus terang bila saya baca petunjuk cara pemakaian dari Tensorflow cukup rumit sampai otak di kepala saya mumet. Ini memang bukan konsumsi yang renyah buat kebanyakan orang kita.
Namun setiap pengetahuan itu biasanya ada intisari nya. Nah berdasarkan lingkup dari interface nya maka Tensorflow ini terbagi menjadi empat (4) tipe domain seperti ini.
Berikutnya kita akan simak lebih detil lagi, tentang apa saja yang jadi problem yang dibahas di tiap interface ini. Juga tentunya kenapa itu menjadi suatu problem dan bagaimana solusinya.
Empat (4) tipe ini bisa kita analogikan dengan teknologi digital yang mula² hanya berbentuk teks atau angka² yang kemudian jadi gambar, lalu dia bisa bergerak dan akhirnya bersuara.
Jadi urutannya terbalik dengan teknologi analog yang berkembang mula² justeru suara dulu via telepon dan radio am/fm baru kemudian suaranya itu bergambar dengan munculnya televisi.
Dari jumlah problem domain kita bisa lihat bahwa image menduduki tempat teratas, sedangkan ketiga lainnya hampir sebanding.
Pada domain text saya proyeksikan untuk mengorganisir dokumentasi projek seperti yang sedang Anda baca ini. Ini kita setel dahulu di komputer kemudian upload ke GitHub Wiki dan Website.
Untuk GitHub Wiki kita gunakan akses via Git. Sedangkan di Website saya canangkan memakai program yang umum dipakai untuk membuat dokumentasi python yaitu: Sphinx.
Kontennya akan sama. Perbedaan dari segi pengelolaan adalah jika setiap halaman Wiki di GitHub terdiri dari tigapuluh (30) sub maka setiap sub ini akan jadi halaman tersendiri di Website.
Karakter ini kita sematkan pada format struktur project dimana text domain di awal (sebelah atas) sedangkan video dan audio pada bagian akhir (sebelah bawah). Ini disetel di komputer.
Dengan demikian simulasi tensornya akan menempatkan image domain akan menempati layar sendiri (lihat sisi sebelah kanan). Ini yang ditensor dari komputer ke internet.
.
"""Python module for Keras base types.
All the classes in this module is abstract classes that contains none or minimal
implementations. It is designed be used as base class for other concrete
classes, type checks, and python3 type hints.
"""
Yang akan kita implementasikan di basis keras adalah hiraki atu struktur file system di Windows Registry. Caranya yaitu dengan menggunakan salah satu fasilitas di Windows Feature:
- The Windows Projected File System (ProjFS) allows a user-mode application called a "provider" to project hierarchical data from a backing data store into the file system, making it appear as files and directories in the file system.
- For example, a simple provider could project the Windows Registry into the file system, making registry keys and values appear as files and directories, respectively. An example of a more complex provider is VFS for Git, which is used to virtualize very large git repos.
File system ini tidak langsung kita masukkan melainkan melalui padanan diagramnya di internet. Padanan ini yang kemudian kita buat dalam class² python. Ini yang dialirkan ke tensorflow.
Class² ini akan menampung model² ragam diagram. Untuk itu kita siapkan setelan terpisah antara komputer dan internet. Berikut ini akan diuraikan detil dari cara penerapannya.
Berikut adalah bagan alir (flowchart) yang sudah saya persiapkan untuk setelan default komputer dengan alur Sepuluh (10) Model yang dihubungkan oleh duabelas (12) tanda panah:
Alokasi 10 Model ini adalah alur yang kita siapkan untuk mensimulasi objek. Seperti dijelaskan di Tensor-Kit objek ini akan mensimulasi alur dari Windows Setup ke komputer.
Sedangkan 12 tanda panah masing² mewakili drive di komputer jadi berurut abjad kecuali dua (2) drive akhir saya yaitu R: dan W: sebagai RamDisk untuk Docker dan CD Windows Setup.
Setiap tanda panah ini masing² hanya mempunyai satu arah. Disini kita gunakan The Sequential Model yaitu model dengan layar yang hanya mempunyai satu input dan satu output:
A Sequential model is appropriate for a plain stack of layers where each layer has exactly one input tensor and one output tensor.
Detilnya bisa Anda simak pada halaman berikut (klik gambarnya):
Cara meggunakan algoritma dari Sequential Model untuk merubah setiap drive menjadi anak panah ini tentunya bukan hal yang sederhana. Kita akan bahas lebih lanjut di Connectors.
Kita langsung bahas langkah² berikutnya.
$ conda.bat activate tf250
(tf250)$ pip uninstall tensorflow
(tf250)$ pip install git+https://github.com/chetabahana/tensorflow.git
(tf250)$ conda deactivate
$ exitDengan cara ini maka flowchart kita ini akan dapat diakses dimanapun tensorflow dijalankan baik itu di floppy disket, hardisk, cd/dvd, Ramdisk maupun USB.
Untuk menjalankannya di internet maka kita akan selalu menempatkan di dua (tempat) yaitu yang masih berupa sumber code atau image dan yang sudah menjadi website nya sendiri.
Detilnya akan dibahas di Cloud Hubs dimana untuk setiap item porsi internet yaitu dari Drive G:, H:, I:, J:, R: dan W: kita bagi dua (2). Satu untuk Hubs dan satunya lagi di Cloud.
Berdasarkan chart ini maka yang jadi patokan adalah angka garis tengah. Misal antara 1 dan 2 ada angka 9, antara 2 dan 3 ada angka 11 dst. Ini kita susun sampai angka 18.
Supaya bisa didapatkan hasil senatural mungkin maka kita gunakan suatu model yang dapat kita ambil algoritmanya. Ini sudah kita bahas di Tensor Kit.
Dari perjalannnya Windows makin kesini makin canggih. Karenanya semakin mantap Windows nya, semakin persis kita menirunya maka akan semakin mendekati algoritma default.
Kesimpulannya ide yang kita pakai berasal dari cara pembuatan Windows kemudian kita ambil model yang sama di internet via projek² GitHub. Itu yang kita sinkronisasikan di Cloud Hubs.
Dengan demikian sepuluh (10) model yang kita sudah persiapkan tempatnya pada saatnya akan terisi penuh. Mereka akan disetel dengan duabelas (12) drives yang kita siapkan di komputer.
Setelah itu kita akan dapat melakukan training terhadap algoritma dari internet (GitHub) dengan algoritma dari komputer (Windows) sehingga menjadi dataset untuk pengujian berikutnya.
Jadi yang saya uraikan di halaman ini baru merupakan rangkuman. Masih berkisar pada panduan. Agar lebih lengkap maka kita akan bahas lebih lanjut dengan tutorial dan praktek.
Kita akan mulai dengan membahas seperti apa kodenya bekerja dalam beberapa kasus. Setelah itu kita tinjau lebih dalam lagi pada lingkup yang menjadi targetnya yaitu Artificial Intelligence.
