Lab CNN Biner
CNN kecil untuk klasifikasi gambar dua kelas dengan visualisasi filter dan feature map.
Halaman ini melatih CNN kompak: Conv(3x3) -> ReLU -> Flatten -> Dense -> ReLU -> Dense -> Softmax.
Gambar input diubah ke grayscale dan diubah ukurannya menjadi 32x32, sehingga tiap sampel adalah vektor 1024 dimensi sebelum konvolusi.
Label biner dipetakan ke probabilitas kelas: P(kelas 1) dan P(kelas 2).
Jaringan dioptimalkan dengan cross-entropy untuk dua kelas:
$$ L = -\frac{1}{N}\sum_{i=1}^{N}\sum_{c=1}^{2} y_{ic}\log(\hat{y}_{ic}) $$
Gunakan learning rate lebih kecil untuk konvergensi stabil atau lebih besar untuk update lebih cepat namun lebih berisik.
- Muat gambar demo kucing/anjing atau unggah file kustom ke tiap kelas.
- Inisialisasi bobot, jalankan beberapa epoch, dan pantau loss serta akurasi.
- Periksa nilai filter dan feature map untuk memahami apa yang ditangkap layer conv pertama.
- Unggah gambar uji dan periksa probabilitas kelas.
Dataset: 0
Epoch: 0
Loss: -
Akurasi: -
Gambar Training
Gambar yang diunggah diubah ukurannya menjadi 32x32 grayscale sebelum training.
Memuat gambar...
Filter Conv (Realtime)
Prediksi
-