Lompat ke konten utama
Kelas
Jaringan Saraf Tiruan Dasar dengan PythonPelajaran 22 dari 22 · Modul 5, CNN, RNN, dan embedding dengan numpy

Modul 5 · CNN, RNN, dan embedding dengan numpy

Misi: peta fitur CNN dan kalimat lewat RNN

Setelah pelajaran ini kamu bisa menjalankan konvolusi, ReLU, dan max pooling pada citra kecil, menghitung ukuran peta fiturnya, serta menjalankan RNN atas vektor embedding sebuah kalimat dan menghitung parameternya.

  • ±17 menit
  • 4 latihan
  • Diperiksa 28 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

Dua potongan jaringan kecil dijalankan maju tanpa pustaka deep learning, dengan bobot karangan. Pertama, lapisan konvolusi dengan kernel pendeteksi tepi tegak (kolom kiri +1, kolom kanan −1) diikuti ReLU dan max pooling 2 × 2 pada citra 6 × 6; fungsi konv2d tanpa padding dan stride 1 sudah disediakan. Kedua, RNN membaca kalimat kata demi kata: setiap kata diubah menjadi vektor lewat tabel embedding, yaitu dengan mengambil baris tabel yang sesuai nomor katanya, lalu status tersembunyinya diperbarui satu langkah per kata.

Latihan

Misi akhir modul: luluskan minimal 4 dari 4 tugas. Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 2 dari 4

Seandainya konvolusi tadi memakai padding 1 (stride 1), lalu diikuti max pooling 2 × 2 dengan stride 2. Berapa lebar peta fitur setelah pooling?

Latihan 4 dari 4

Berapa jumlah parameter lapisan RNN di misi ini (W_xh, W_hh, dan b_h), dengan embedding 4 dimensi dan 3 neuron tersembunyi? Angkanya sama untuk kalimat 3 kata maupun 30 kata.

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 1 lagi