Pemahaman Dasar Convolutional Neural Networks
Convolutional Neural Networks atau yang biasa disebut CNN, adalah neural networks yang bagus dalam memproses data secara spatial. Biasanya algorithma CNN ini digunakan untuk mengolah data image. Walaupun, kita juga dapat mengolah data image tersebut dari 2 dimensi kemudian reshape kedalam 1 dimensi dan mengolahnya dengan multi layer perceptron.
Artikel ini membahas fundamental attribut-attribut yang ada di CNN. Sehingga kedepannya kita dapat memaksimalkan penggunaan parameter yang ada di CNN.
Channels
Channels merujuk pada jumlah layer input dalam tahap proses konvolusi. Jumlah channel ini bisa kita set atau jumlah channel ini akan secara otomatis mengikuti jumlah input channel. Dalam sebuah foto yang memiliki nilai RGB yang artinya memiliki 3 channels, maka kernel yang digunakan pun juga berjumlah 3 channels.
Selain itu kita juga bisa mengatur jumlah channels dalam kernel walaupun input datanya hanya memiliki 1 channel.
Kernel
Dimensi Kernel itu disebut kernel size, dalam gambar diatas kernel size tersebut adalah 3. artinya setiap kali melakukan konvolusi, maka 3x3 matrix di input data dikalikan dengan 3x3 di filter. Jika tiap kali pergeseran kernel dalam input data 1 step, maka hasilnya berupa column-2.
Stride
Dalam CNN, kita juga bisa mengkontrol step size yang disebut Stride. Seperti yang dibahas sebelumnya, stride mengatur berapa banyak matrix yang dilompati. Di gambar tersebut stride nya 2.
Padding
Padding, kita dapat mengatur padding dalam input size, jadi jika input sizenya terlalu kecil, maka kita dapat menambahkan angka 0 di setiap outer matrixnya. Dalam gambar ini padding diset menjadi 1.
Dilation
Dilation adalah cara untuk mengendalikan kernel yang diterapkan ke input matrix. Gambar di atas menggunakan dilation 2, sehingga matrix yang di proses lebih renggang. Jika kita menggunakan dilation = 1. maka tidak ada bedanya dengan gambar sebelumnya. Bagi penulis, teknik ini mirip seperti pembersaran objek dalam suatu gambar, jadi daripada memakai semua input matrix, maka yang di gunakan matrix matrix tertentu saja.
Conclusion
Tulisan ini jauh dari kata sempurna, penulis mencoba membuat pemahaman yang lebih singkat tentang convolutional neural network. sehingga ada konsep konsep yang tidak masuk dalam pembahasan.
