Machine Learning dengan Library C++
Buku ini merupakan panduan praktis bagi pemula dalam mempelajari machine learning menggunakan bahasa pemrograman C++. Dalam buku ini, pembaca akan diajarkan bagaimana mengimplementasikan algoritma machine learning supervised dan unsupervised dengan contoh nyata menggunakan berbagai library C++ seperti PyTorch C++ API, Caffe2, Shogun, Shark-ML, mlpack, dan dlib.
Pembaca juga akan belajar tentang pemrosesan data, pengukuran performa, dan seleksi model dengan bantuan library C++. Teknik machine learning dan deep learning akan dijelaskan dengan contoh seperti klasifikasi gambar dan analisis sentimen.
Buku ini juga membahas bagaimana melakukan deployment model machine learning pada perangkat mobile dan embedded. Selain itu, pembaca akan belajar cara mengekspor dan mengimpor model menggunakan format ONNX.
Buku ini cocok bagi pembaca yang ingin memulai belajar machine learning dengan bahasa C++. Pengetahuan dasar dalam bahasa pemrograman C++ diperlukan untuk memulai buku ini. Selain itu, buku ini juga cocok untuk data analyst, data scientist, dan machine learning developer yang ingin mengimplementasikan berbagai model machine learning dengan dataset dan contoh yang berbeda dalam produksi.
Berikut ini contoh cara yang menggunakan PyTorch C++ API untuk melakukan training sederhana pada model neural network untuk melakukan klasifikasi gambar menggunakan dataset MNIST
algoritma
- Import library PyTorch C++ API
- Tentukan nilai awal tensor
xdengan ukuran 2x2 dengan nilai acak antara 0 dan 1 - Tentukan nilai awal tensor
ydengan ukuran 2x2 dengan nilai acak antara 0 dan 1 - Cetak tensor
xdanysebagai input - Lakukan operasi perkalian dot antara tensor
xdanydan simpan hasilnya di tensorz - Cetak tensor
zsebagai output
kode C++
Script C++ di bawah ini menggunakan dataset MNIST (Modified National Institute of Standards and Technology), yang merupakan dataset gambar angka tulisan tangan, dan melakukan training model neural network sederhana dengan 1 hidden layer menggunakan PyTorch C++ API.
MNIST berisi gambar yang digunakan untuk melatih dan menguji algoritma pengenalan karakter tulisan tangan atau digit. Dataset ini berisi gambar-gambar digit tulisan tangan dari angka 0 hingga 9 dalam format grayscale dengan ukuran 28x28 piksel. Dataset MNIST sangat populer di dalam komunitas machine learning dan computer vision.
#include
#include
int main() {
// define hyperparameters
const int input_size = 784;
const int hidden_size = 64;
const int output_size = 10;
const double learning_rate = 0.01;
const int num_epochs = 10;
const int batch_size = 100;
// load dataset
auto train_dataset = torch::data::datasets::MNIST("./data").map(torch::data::transforms::Stack < >());
auto data_loader = torch::data::make_data_loader(
std::move(train_dataset), batch_size);
// define model
torch::nn::Sequential model(
torch::nn::Linear(input_size, hidden_size),
torch::nn::Functional(torch::relu),
torch::nn::Linear(hidden_size, output_size));
// define loss function and optimizer
auto loss_fn = torch::nn::CrossEntropyLoss();
torch::optim::SGD optimizer(model->parameters(), learning_rate);
// training loop
for (int epoch = 0; epoch < num_epochs; epoch++) {
double running_loss = 0.0;
int correct = 0;
int total = 0;
for (auto& batch : *data_loader) {
auto data = batch.data.reshape({batch_size, -1});
auto target = batch.target;
optimizer.zero_grad();
auto output = model(data);
auto loss = loss_fn(output, target);
loss.backward();
optimizer.step();
running_loss += loss.item() * data.size(0);
auto prediction = output.argmax(1);
correct += prediction.eq(target).sum().item();
total += target.size(0);
}
double accuracy = 100.0 * static_cast(correct) / total;
std::cout < < "Epoch " < < epoch + 1 < < ": Loss = " < < running_loss / total < < ", Accuracy = " < < accuracy < < "%" < < std::endl;
}
return 0;
}