Monday, November 11, 2024

Efek Negatif Kurikulum Merdeka Kepada Siswa jenjang SD-SMP-SMK sederajat di Indonesia

Selamat malam para pembaca.

Apa kabar semuanya? Semoga kabar baik sehat selalu ya.


Sudah sekian lama tidak menulis di blog ini, kangen juga rupanya. ingin mencurahkan segenap unek-unek ini di atas papan keyboard. untuk kali ini saya merasa tergelitik untuk menuliskan tulisan dengan tema efek negatif kurikulum merdeka.

Baik, kita mulai saja. 

Semenjak diterapkannya kurikulum merdeka, dimana terhitung mulai berlaku pada masa menteri pendidikan masa bakti 2019-2024 dan juga saat itu kedatangan tamu yang tidak diundang yaitu berupa virus corona 19, maka tentu saja arah pendidikan nasional berubah total dari yang sebelumnya menggunakan sekolah tatap muka menjadi sekolah online (daring) sekolah menggunakan zoom, google meet, microsoft team dll.

Pada awalnya banyak orang tua yang kerepotan ngurus anaknya yang sekolah dari rumah karena harus menyiapkan perangkat tambahan baik berupa HP, laptop, komputer dan wifi atau kuota internet yang lebih banyak dari sebelumnya, serta tambahan waktu mengurusi anaknya yang akan sekolah melalui internet tersebut. efeknya orang tua merasa terganggu dan repot sekali dengan kondisi saat itu.

Bukan hanya sekolah online saja yang membuat orang tua kerepotan tetapi juga sejumlah guru yang mendadak harus mengerti IT bagi yang sebelumnya gaptek , guru harus menyampaikan materi dan juga mengatur posisi kamera, speaker, koneksi wifi dan juga kondisi baterai dari gawaynya. ini sangat melelahkan sekali untuk guru-guru tertentu dengan keterbatasan sarana prasarana dan kemampuan yang dimiliki.

Karena hal demikian maka sekolahpun jadi tidak maksimal, al hasil pemerintah mengeluarkan beberapa kebijakan yang menurut hemat kami ini merupakan keputusan yang sangat janggal dan susah dimengerti karena sangat bertolak belakang dari kurikulum sebelumnya.


Apa efek dan kebijakan tersebut, akan kami jabarkan dibawah ini:

1. Siswa harus naik kelas terus 

+ apapun kondisi siswanya harus naik kelas, baik siswa yang BODOH, Pinter, rajin, suka bolos dll, dengan dalih bahwa setiap siswa memiliki kemapuan dibidang tertentu tidak hanya dibidang akademiknya saja. Ok itu buat sebagian orang tapi tidak buat orang lain.

- Efek negatifnya adalah banyak siswa SD, SMP, dan SMK yang tidak bisa membaca dan baru kenal huruf karena siswa bodohpun naik kelas, 

- Efek lain yang ditimbulkan adalah siswa tidak bisa menghitung angka baik tambah-tambahan, pengurangan, perkalian dan pembagian, tetap naik kelas sehingga guru di jenjang berikutnya merasa kesusahan mengajarinya bagaimana bisa ini terjadi, siswa 5+6 tidak bisa ngitungnya hasilnya berapa tanpa bantuan kalkulator, apalagi perkalian dan pembagian, wasalam dah.

- Efek lainnya jika ada salah satu siswa yang tidak naik kelas maka pengawas sekolah maupun dinas akan memberikan warning kepada sekolah untuk segera membereskan perkara tidak naik kelas siswa tersebut.


2. Siswa jadi menurun minat baca dan menulisnya

+ Karena semuanya sudah menggunakan HP dan koneksi internet, maka terlihat siswa lebih pinter dan modern dari pada angkatan sebelumnya.

- Efek negatifnya banyak siswa yang masih terbata-bata membaca tulisan di LKS dan belum bisa menulis dengan tulisan bagus, apalagi di dikte (guru membacakan tulisannya dan siswa menulisnya) itu sangat lemah sekali kemampuannya, banyak siswa tidak bisa nulis dengan cara di dikte, pasti ketinggalan nulisnya.

- Efek negatif lainnya adalah siswa tidak bisa memahami dan mengambil intisari dari bahan bacaan yang sedang dibaca, karena terlalu lama belajar menggunakan HP yang sangat tidak mendidik dengan lihat-lihat wa, ig, tiktok dan fb yang tampilannya beragam dan tidak jelas.

- Minat membaca dan menulis jadi menurun karena tidak terlatihnya setiap hari seperti kurikulum sebelumnya. dan siswa jaman sekarang sepertinya anti banget dengan kegiatan membaca dan menulis apalagi mengerjakan PR atau tugas di buku. siswa sering menolak jika diberikan tugas oleh gurunya.

- Efek negatif berikutnya adalah siswa menjadi bodoh dan tidak memiliki wawasan yang luas karena jarangnya waktu yang dihabiskan untuk membaca buku dan memahami isi bacaan buku.


3. Siswa menjadi kurang sopan, kurang menghargai guru, dan tidak mendengarkan apa yang guru sampaikan di dalam kelas.

+ Karena semua sudah ada di google siswa merasa bisa nyari materi sendiri di google untuk pembelajarannya.

- Efek negatifnya siswa menjadi tidak sopan sama guru, tidak menghargai gurunya saat menyampaikan materi di kelas, siswa semakin acuh tak acuh kepada guru dan teman sekelas, ada gurupun serasa tidak ada guru, dengan cara mainan sendiri, berbicara sendiri, tanpa menghiraukan adanya guru yang ada di dalam kelas.

- Efek negatif lainnya siswa menjadi liar dengan mudahnya mengeluarkan kata-kata kasar kepada sesama teman meskipun di sekelilingnya ada gurunya, siswa mulutnya gampang mengumpat dan berbohong dengan berbagai alasannya.

- Efek negatif selanjutnya adalah siswa menjadi gampang naik emosinya dan semakin tidak terkendali.


4. Siswa merasa tidak betah duduk dikursi di dalam kelas.

+ Karena seringnya bergerak atau berpindah-pindah tempat duduk sehingga siswa menjadi sehat dan mencegah terjadinya lemak jenuh.

- Efek negatifnya adalah siswa menjadi gusar jika duduk di kursi yang kondisinya sedang berjalannya jam pelajaranya. karena hal itu maka siswa banyak sekali yang mondar-mandir izin ke toilet, padahal di toilet tidak ngapa-ngapain. hanya menghindari duduk di kelas saja.

- Efek negatif selanjutnya adalah kelas menjadi tidak setabil, kursi meja menjadi miring sana-miring sini tidak karuan, dan diluar kelas menjadi banyak orang karena pada izin ke toilet itu tadi.


5. Banyak guru yang tidak fokus dengan bahan ajarnya.

+ Orientasi lebih kepada siswa.

- Karena banyaknya dokumen, berkas administrasi yang harus di penuhi sehingga guru mengenyampingkan dari tugas utama mengajar siswa, fokusnya terbagi menjadi berkas yang harus segera di buat, dan di upload untuk berbagai kebutuhan.

- Guru yang semakin cuek terhadap siswa yang membutuhkan perhatian khusus, karena jika guru menegur atau melakukan tindakan hukuman terhadap siswa, maka banyak orang tua siswa jaman sekarang yang tidak terima dan melaporkan kasusnya ke polisi, seperti kasusnya yang sedang viral saat ini yaitu : Ibu Guru Suryani, Bapak guru yang di ketapel matanya oleh orang tua siswa, guru yang di cukur gundul oleh orang tua siswa. #kenapa hal itu bisa terjadi, karena tidak adanya kepastian hukum yang membela guru untuk melakukan hukuman terukur kepada siswa, sehingga siswa kebandelannya sekarang meraja lela.


Cukup 5 saja dulu pembahasan kita kali ini, nanti akan di lanjutkan lagi di kemudian hari. terima kepada yang sudah membacanya.

Sumber : Pengamatan pribadi, sebagian dari berita di televisi, dan lingkungan di tangerang,


Salam cerdas luar biasa.


Share:

Wednesday, October 30, 2024

Computer Vision Mengenai PyTorch, Framework yang Menggerakkan Inovasi dalam Advanced Intelligent

 

PyTorch

 
Pendahuluan

Di dunia deep learning, memilih framework yang tepat sangatlah krusial. PyTorch, yang dikembangkan oleh tim Facebook AI Research, telah mendapatkan perhatian besar di kalangan peneliti, ilmuwan data, dan pengembang karena fleksibilitas dan sifatnya yang dinamis. Artikel ini menggali sejarah, fungsi, manfaat, dan implementasi PyTorch sambil membandingkannya dengan library populer lainnya dalam deep learning.

 

1. Sejarah Keberadaan PyTorch

A. Awal Mula Pembentukan PyTorch

Sebelum hadirnya PyTorch, komunitas AI sangat bergantung pada Torch, sebuah framework komputasi ilmiah open-source berbasis Lua. Torch banyak digunakan dalam riset karena komputasi matriksnya yang cepat, tetapi memiliki keterbatasan, terutama karena ekosistem Lua yang tidak seluas Python.

B. Pengembangan oleh Facebook AI Research (FAIR)

Facebook menyadari keterbatasan ini dan mulai mengembangkan PyTorch pada tahun 2016. PyTorch dirancang sebagai penerus Torch dengan menawarkan framework berbasis Python yang memungkinkan interaksi tanpa hambatan dengan model deep learning.

C. Evolusi dan Perkembangan

Selama bertahun-tahun, PyTorch telah mengalami evolusi yang cepat dengan penambahan fitur-fitur penting untuk memenuhi kebutuhan riset dan industri yang terus berkembang. Saat ini, PyTorch bukan hanya library deep learning tetapi juga alat penting dalam memajukan riset dan penerapan AI.

2. Posisi PyTorch dalam Deep Learning

Bidang deep learning terus berkembang, dan framework seperti PyTorch memainkan peran penting dalam perkembangannya. Peneliti sangat membutuhkan alat yang lebih intuitif dan fleksibel untuk menangani model yang kompleks. PyTorch muncul sebagai solusi, dengan menyediakan grafik komputasi dinamis, kemudahan eksperimen, dan integrasi dengan pustaka Python populer. Hal ini menjadikannya framework utama bagi banyak peneliti dan praktisi industri.

3. Fungsi dan Manfaat PyTorch

A. Fleksibilitas dan Kemudahan dalam Manipulasi Tensor

Pada intinya, PyTorch dibangun di sekitar operasi Tensor, mirip dengan NumPy tetapi dengan akselerasi GPU. Ini memungkinkan pengguna untuk memanfaatkan kekuatan GPU secara langsung.

B. Fitur AutoGrad dan Dynamic Computational Graph

Sifat dinamis dari grafik komputasi PyTorch memungkinkan pengembang untuk memodifikasi struktur grafik secara real-time. Fitur ini, yang dikenal sebagai dynamic computational graphs, menawarkan fleksibilitas yang tak tertandingi dalam eksperimen.

C. Modularitas dan Kustomisasi

Peneliti dapat dengan mudah mengkustomisasi dan bereksperimen dengan berbagai lapisan jaringan saraf dan arsitektur, yang sangat penting untuk memajukan riset mutakhir.

D. Integrasi yang Kuat dengan Ekosistem Python

Karena PyTorch berbasis Python, ia terintegrasi dengan lancar dengan pustaka Python seperti NumPy, Matplotlib, dan lainnya. Hal ini menjadikannya pilihan ideal untuk mengembangkan prototipe riset dan aplikasi dunia nyata.

4. Implementasi PyTorch dalam Dunia AI

A. Riset Deep Learning

PyTorch telah banyak digunakan untuk riset mutakhir dalam computer vision, NLP, GANs, dan reinforcement learning. Banyak makalah penelitian berpengaruh yang menggunakan PyTorch untuk menciptakan arsitektur baru.

B. Proyek Industri dan Aplikasi

Aplikasi industri PyTorch mencakup berbagai bidang seperti kendaraan otonom, sistem pengenalan suara, solusi AI di bidang kesehatan, peramalan keuangan, hingga mesin rekomendasi.

C. Penggunaan PyTorch dalam Pendidikan

Universitas terkemuka di seluruh dunia telah mengadopsi PyTorch untuk mengajarkan prinsip-prinsip deep learning, mendorong siswa untuk bereksperimen dengan arsitektur neural yang kompleks.

5. Contoh Instalasi dan Penggunaan Sederhana PyTorch

Untuk memulai dengan PyTorch, Anda dapat menginstalnya menggunakan pip atau conda sesuai dengan konfigurasi sistem Anda.

# Instalasi dengan pip
pip install torch torchvision

# Instalasi dengan conda
conda install pytorch torchvision torchaudio cudatoolkit=
10.2 -c pytorch

 

import torch
import torch.nn as nn
import torch.optim as optim

# Membuat tensor 2x3
x = torch.Tensor([[
1, 2, 3], [4, 5, 6]])
print("Tensor x: ", x)

# Operasi penambahan
y = torch.Tensor([[
1, 1, 1], [1, 1, 1]])
result = x + y
print("Hasil Penambahan: ", result)

# Membuat tensor dengan requires_grad=True untuk mendemonstrasikan autograd
a = torch.tensor([
2.0, 3.0], requires_grad=True)
b = torch.tensor([
6.0, 4.0], requires_grad=True)
q =
3 * a**2 - b**3

# Melakukan backward untuk menghitung gradien
q.backward(torch.tensor([
1.0, 1.0]))
print("Gradien a: ", a.grad)
print("Gradien b: ", b.grad)

# Membuat model jaringan saraf sederhana
class SimpleNN(nn.Module):
   
def __init__(self):
       
super(SimpleNN, self).__init__()
        self.layer1 = nn.Linear(
2, 3)  # input: 2 fitur, output: 3 neuron
        self.layer2 = nn.Linear(
3, 1)  # input: 3 neuron, output: 1 neuron

   
def forward(self, x):
        x = torch.relu(self.layer1(x))
        x = torch.sigmoid(self.layer2(x))
       
return x

# Membuat instance model
model = SimpleNN()
print("Arsitektur model:", model)

# Mengatur loss function dan optimizer
criterion = nn.MSELoss() 
# Mean Squared Error Loss
optimizer = optim.SGD(model.parameters(), lr=
0.01)

# Data input dan target (dummy)
inputs = torch.Tensor([[
1.0, 2.0]])
target = torch.Tensor([[
0.0]])

# Melakukan forward pass
output = model(inputs)
loss = criterion(output, target)
print("Loss awal:", loss.item())

# Backward pass dan update bobot
loss.backward()
optimizer.step()

# Output setelah satu kali update
output = model(inputs)
loss = criterion(output, target)
print("Loss setelah satu kali update:", loss.item())

 

6. Perbandingan PyTorch dengan Library Lainnya

A. PyTorch vs TensorFlow

Kedua framework ini memiliki kekuatan masing-masing. PyTorch menawarkan kemudahan penggunaan dengan dynamic computational graphs, sedangkan TensorFlow lebih berfokus pada produksi dengan static graphs. PyTorch memungkinkan eksperimen yang lebih mudah, sementara TensorFlow dulu mendominasi pasar karena dukungan Google.



B. PyTorch vs Keras

Keras terkenal dengan kemudahan penggunaannya, terutama untuk pemula. Namun, Keras terbatas dalam hal fleksibilitas dibandingkan PyTorch yang lebih cocok untuk eksperimen kompleks.

 
C. PyTorch vs MXNet

MXNet memiliki beberapa fitur menarik, tetapi PyTorch lebih unggul dalam hal performa, ekosistem, dan adopsi di industri.


D. Keunggulan PyTorch dalam Komunitas Peneliti

Banyak peneliti memilih PyTorch karena fleksibilitas dan dukungannya terhadap pengembangan model baru, sehingga berdampak signifikan terhadap perkembangan riset deep learning.

7. Kesimpulan

PyTorch telah membuktikan dirinya sebagai framework deep learning yang fleksibel, intuitif, dan kuat. Dengan grafik komputasi dinamis, dukungan komunitas yang besar, dan kemudahan dalam eksperimen, PyTorch telah mengubah cara riset dan pengembangan AI dilakukan. Baik bagi peneliti maupun pengembang, PyTorch menjadi alat yang penting untuk mencapai terobosan baru dalam dunia deep learning.

Sumber:

·     Introducing PyTorch,” Facebook AI Blog, 2016

·     Paszke, A., et al. “PyTorch: An Imperative Style, High-Performance Deep Learning Library,” Advances in Neural Information Processing Systems, 2019

·     Trends in Machine Learning and AI,” Papers with Code, 2021.

·     PyTorch Success Stories,” PyTorch Official Website

·     TensorFlow vs PyTorch: A Head-to-Head Comparison,” Towards Data Science, 2020

·     PyTorch for Education,” PyTorch Official Blog, 2020

·     Dikutip dari Tulisan Mas Dhaman di Medium.com tgl 30 Oktober 2024

 








Share:

Wednesday, July 3, 2024

Computer Vision Mengenai PyTorch, Framework yang Menggerakkan Inovasi dalam AI.

PyTorch


Pendahuluan
Di dunia deep learning, memilih framework yang tepat sangatlah krusial. PyTorch, yang dikembangkan oleh tim Facebook AI Research, telah mendapatkan perhatian besar di kalangan peneliti, ilmuwan data, dan pengembang karena fleksibilitas dan sifatnya yang dinamis. Artikel ini menggali sejarah, fungsi, manfaat, dan implementasi PyTorch sambil membandingkannya dengan library populer lainnya dalam deep learning.


1. Sejarah Keberadaan PyTorch

A. Awal Mula Pembentukan PyTorch

Sebelum hadirnya PyTorch, komunitas AI sangat bergantung pada Torch, sebuah framework komputasi ilmiah open-source berbasis Lua. Torch banyak digunakan dalam riset karena komputasi matriksnya yang cepat, tetapi memiliki keterbatasan, terutama karena ekosistem Lua yang tidak seluas Python.

B. Pengembangan oleh Facebook AI Research (FAIR)
Facebook menyadari keterbatasan ini dan mulai mengembangkan PyTorch pada tahun 2016. PyTorch dirancang sebagai penerus Torch dengan menawarkan framework berbasis Python yang memungkinkan interaksi tanpa hambatan dengan model deep learning.

C. Evolusi dan Perkembangan

Selama bertahun-tahun, PyTorch telah mengalami evolusi yang cepat dengan penambahan fitur-fitur penting untuk memenuhi kebutuhan riset dan industri yang terus berkembang. Saat ini, PyTorch bukan hanya library deep learning tetapi juga alat penting dalam memajukan riset dan penerapan AI.

2. Posisi PyTorch dalam Deep Learning

Bidang deep learning terus berkembang, dan framework seperti PyTorch memainkan peran penting dalam perkembangannya. Peneliti sangat membutuhkan alat yang lebih intuitif dan fleksibel untuk menangani model yang kompleks. PyTorch muncul sebagai solusi, dengan menyediakan grafik komputasi dinamis, kemudahan eksperimen, dan integrasi dengan pustaka Python populer. Hal ini menjadikannya framework utama bagi banyak peneliti dan praktisi industri.

3. Fungsi dan Manfaat PyTorch



A. Fleksibilitas dan Kemudahan dalam Manipulasi Tensor
Pada intinya, PyTorch dibangun di sekitar operasi Tensor, mirip dengan NumPy tetapi dengan akselerasi GPU. Ini memungkinkan pengguna untuk memanfaatkan kekuatan GPU secara langsung.

B. Fitur AutoGrad dan Dynamic Computational Graph

Sifat dinamis dari grafik komputasi PyTorch memungkinkan pengembang untuk memodifikasi struktur grafik secara real-time. Fitur ini, yang dikenal sebagai dynamic computational graphs, menawarkan fleksibilitas yang tak tertandingi dalam eksperimen.

C. Modularitas dan Kustomisasi

Peneliti dapat dengan mudah mengkustomisasi dan bereksperimen dengan berbagai lapisan jaringan saraf dan arsitektur, yang sangat penting untuk memajukan riset mutakhir.

D. Integrasi yang Kuat dengan Ekosistem Python

Karena PyTorch berbasis Python, ia terintegrasi dengan lancar dengan pustaka Python seperti NumPy, Matplotlib, dan lainnya. Hal ini menjadikannya pilihan ideal untuk mengembangkan prototipe riset dan aplikasi dunia nyata.

4. Implementasi PyTorch dalam Dunia AI

A. Riset Deep Learning

PyTorch telah banyak digunakan untuk riset mutakhir dalam computer vision, NLP, GANs, dan reinforcement learning. Banyak makalah penelitian berpengaruh yang menggunakan PyTorch untuk menciptakan arsitektur baru.

B. Proyek Industri dan Aplikasi

Aplikasi industri PyTorch mencakup berbagai bidang seperti kendaraan otonom, sistem pengenalan suara, solusi AI di bidang kesehatan, peramalan keuangan, hingga mesin rekomendasi.

C. Penggunaan PyTorch dalam Pendidikan

Universitas terkemuka di seluruh dunia telah mengadopsi PyTorch untuk mengajarkan prinsip-prinsip deep learning, mendorong siswa untuk bereksperimen dengan arsitektur neural yang kompleks.

5. Contoh Instalasi dan Penggunaan Sederhana PyTorch

Untuk memulai dengan PyTorch, Anda dapat menginstalnya menggunakan pip atau conda sesuai dengan konfigurasi sistem Anda.

# Instalasi dengan pip
pip install torch torchvision

# Instalasi dengan conda
conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch


import torch
import torch.nn as nn
import torch.optim as optim

# Membuat tensor 2x3
x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print("Tensor x: ", x)

# Operasi penambahan
y = torch.Tensor([[1, 1, 1], [1, 1, 1]])
result = x + y
print("Hasil Penambahan: ", result)

# Membuat tensor dengan requires_grad=True untuk mendemonstrasikan autograd
a = torch.tensor([2.0, 3.0], requires_grad=True)
b = torch.tensor([6.0, 4.0], requires_grad=True)
q = 3 * a**2 - b**3

# Melakukan backward untuk menghitung gradien
q.backward(torch.tensor([1.0, 1.0]))
print("Gradien a: ", a.grad)
print("Gradien b: ", b.grad)

# Membuat model jaringan saraf sederhana
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.layer1 = nn.Linear(2, 3) # input: 2 fitur, output: 3 neuron
self.layer2 = nn.Linear(3, 1) # input: 3 neuron, output: 1 neuron

def forward(self, x):
x = torch.relu(self.layer1(x))
x = torch.sigmoid(self.layer2(x))
return x

# Membuat instance model
model = SimpleNN()
print("Arsitektur model:", model)

# Mengatur loss function dan optimizer
criterion = nn.MSELoss() # Mean Squared Error Loss
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Data input dan target (dummy)
inputs = torch.Tensor([[1.0, 2.0]])
target = torch.Tensor([[0.0]])

# Melakukan forward pass
output = model(inputs)
loss = criterion(output, target)
print("Loss awal:", loss.item())

# Backward pass dan update bobot
loss.backward()
optimizer.step()

# Output setelah satu kali update
output = model(inputs)
loss = criterion(output, target)
print("Loss setelah satu kali update:", loss.item())


6. Perbandingan PyTorch dengan Library Lainnya

A. PyTorch vs TensorFlow

Kedua framework ini memiliki kekuatan masing-masing. PyTorch menawarkan kemudahan penggunaan dengan dynamic computational graphs, sedangkan TensorFlow lebih berfokus pada produksi dengan static graphs. PyTorch memungkinkan eksperimen yang lebih mudah, sementara TensorFlow dulu mendominasi pasar karena dukungan Google.


B. PyTorch vs Keras

Keras terkenal dengan kemudahan penggunaannya, terutama untuk pemula. Namun, Keras terbatas dalam hal fleksibilitas dibandingkan PyTorch yang lebih cocok untuk eksperimen kompleks.


C. PyTorch vs MXNet

MXNet memiliki beberapa fitur menarik, tetapi PyTorch lebih unggul dalam hal performa, ekosistem, dan adopsi di industri.
D. Keunggulan PyTorch dalam Komunitas Peneliti
Banyak peneliti memilih PyTorch karena fleksibilitas dan dukungannya terhadap pengembangan model baru, sehingga berdampak signifikan terhadap perkembangan riset deep learning.

7. Kesimpulan

PyTorch telah membuktikan dirinya sebagai framework deep learning yang fleksibel, intuitif, dan kuat. Dengan grafik komputasi dinamis, dukungan komunitas yang besar, dan kemudahan dalam eksperimen, PyTorch telah mengubah cara riset dan pengembangan AI dilakukan. Baik bagi peneliti maupun pengembang, PyTorch menjadi alat yang penting untuk mencapai terobosan baru dalam dunia deep learning.

Sumber:

  • Introducing PyTorch,” Facebook AI Blog, 2016
  • Paszke, A., et al. “PyTorch: An Imperative Style, High-Performance Deep Learning Library,” Advances in Neural Information Processing Systems, 2019
  • Trends in Machine Learning and AI,” Papers with Code, 2021.
  • PyTorch Success Stories,” PyTorch Official Website
  • TensorFlow vs PyTorch: A Head-to-Head Comparison,” Towards Data Science, 2020
  • PyTorch for Education,” PyTorch Official Blog, 2020
  • Dikutip dari Tulisan Mas Dhaman di Medium.com tgl 30 Oktober 2024

Share:

jumlah pengunjung

BTemplates.com

Search This Blog

Powered by Blogger.

Translate

about us

My photo
Tangerang, Kota Tangerang, Indonesia
Mudah beradaptasi dengan lingkungan baru, senang bermain komputer atau laptop.