TensorFlow menyediakan API Keras yang tingkat tinggi untuk mendefinisikan model secara deklaratif, tetapi tetap membuka jalur turun ke level gradien ketika dibutuhkan. Section ini membahas kedua gaya tersebut: membangun model dengan Keras 3, mengalirkan data lewat tf.data, serta menulis custom training loop untuk kebutuhan yang tidak tercakup model.fit().

# Pengenalan TensorFlow

Kenali sejarah TensorFlow dari Google Brain, posisi Keras 3 sebagai API tingkat tinggi resmi, ekosistem pendukungnya, dan perbandingan filosofinya dengan PyTorch melalui operasi tensor pertama yang diuji nyata.

Buka → # Tensor dan Operasi

Bandingkan tf.constant dan tf.Variable, pahami dtype dan shape, jalankan operasi add, matmul, dan reduce_mean dengan sumbu tertentu, serta lintasi jembatan TensorFlow-NumPy pada angka kecil yang diuji nyata.

Buka → # Automatic Differentiation

Pahami tf.GradientTape sebagai perekam operasi untuk menghitung gradien, gunakan persistent tape dan watch, lalu latih satu parameter regresi linear dengan GradientTape dan assign_sub yang diverifikasi terhadap beda hingga dan solusi analitik.

Buka → # Membangun Model dengan Keras

Susun model dengan Sequential API dan Functional API, baca model.summary(), pahami pembuatan bobot lewat build dan input_shape, hitung jumlah parameter tiap layer Dense, dan jalankan forward pass pertama.

Buka → # Loss dan Optimizer

Kenali fungsi loss Keras — MeanSquaredError, BinaryCrossentropy, SparseCategoricalCrossentropy — beserta arti from_logits, pilih optimizer SGD, RMSprop, atau Adam, lalu satukan semuanya lewat model.compile dan model.fit pada 200 sampel data sintetis.

Buka → # Dataset dan tf.data

Alirkan data lewat tf.data: from_tensor_slices, map untuk transformasi, shuffle, batch, dan prefetch — dirangkai jadi pipeline lengkap pada 200 sampel sintetis, lengkap dengan peringatan buffer_size dan perbandingan terhadap DataLoader PyTorch.

Buka → # Training dengan model.fit()

Latih model dengan model.fit(): atur epochs dan batch_size, pantau data validasi lewat validation_split atau validation_data, baca riwayat pelatihan dari objek History, dan kendalikan jalannya lewat callback EarlyStopping serta ModelCheckpoint pada dua konfigurasi yang diuji nyata.

Buka → # Custom Training Loop

Keluar dari model.fit() dan tulis training loop sendiri dengan tf.GradientTape: forward pass di dalam tape, tape.gradient pada model.trainable_variables, optimizer.apply_gradients, pembedaan langkah latih dan evaluasi, plus tabel padanan API terhadap training loop PyTorch.

Buka → # Evaluasi Model

Nilai model terlatih dengan model.evaluate dan model.predict, bedah classification_report dan confusion matrix untuk tiga kelas, lalu geser ambang keputusan pada kasus biner dan amati precision serta recall bergerak berlawanan arah.

Buka → # Penyimpanan dan Pemuatan Model

Simpan dan muat model Keras: format modern .keras lewat model.save dan load_model, bobot saja lewat save_weights, verifikasi prediksi identik dengan np.testing, pola transfer bobot ke arsitektur yang dibangun ulang, serta peta format .keras, .weights.h5, dan SavedModel.

Buka →