NPM : 21218343
Kelas : 4EB01
LAPORAN AKHIR M2
Pada praktikum minggu 2 dengan mode hands-on ini, materi yang diberikan pemapar
materi adalah membuat GAN dengan bahasa pemrograman Python 3. Berikut adalah
langkah-langkahnya.
1. Import Library
Langkah pertama adalah mendefinisikan terlebih dahulu library yang akan digunakan.
Ketikan coding seperti pada gambar di bawah ini. Perlu di perhatikan juga, untuk
memastikan bahwa data tersebut telah ada atau terinstall pada perangkat yang akan
digunakan untuk membuat GAN atau terdapat di server DGX.
Dataset yang digunakan pada praktikum ini adalah dataset yang dimiliki oleh keras
yang bernama MNIST. Selain MNIST, keras juga memiliki banyak dataset lain yang
dapat digunakan. Cara merubahnya adalah pada coding In [1], ganti import mnist
dengan dataset yang ingin digunakan.
Gambar 1 (Langkah 1)
Gambar 2 (Langkah 2)
3. Membentuk Generator
Langkah ketiga adalah membentuk komponen generator. Generator adalah bagian dari
GAN yang bertugas untuk belajar membuat data palsu dengan memasukkan umpan
balik dari discriminator dan belajar untuk membuat agar diskriminator berhasil
mengklasifikan outputnya sebagai yang sebeneranya atau nyata.
Untuk membentuk komponen generator, kita harus menentukan sebuah fungsi berupa
build generator. Selanjutnya adalah mendefinisikan model yang ingin kita buat, yakni
menggunakan model neural network sequential. Hal ini dikarenakan 99% model
neural network berbentuk sequential. Langkah selanjutnya adalah menambahkan
model dence dan batch normal. Dan terakhir adalah menjalankan fungsi yang telah
dibangun. Ketikan coding seperti pada gambar 3.1 – 3.3 berikut di bawah ini.
#Note: Semakin banyak parameter yang digunakan, semakin banyak pula informasi
yang direkam oleh model. Selain itu, karena terdapat ketidaksesuaian ukuran final
output dengan yang telah didefinisikan sebelumnya pada coding yang dilakukan, pada
pembuatan model final gunakanlah fungsi aktivasi ‘tanh’, dan perintah reshape, lalu
run kembali.
#Note: Semakin banyak layer yang di definisikan, semakin baik pula model GAN
yang dibuat. Namun hal ini juga memperbesar kebutuhan komputasi yang dibutuhkan
untuk menjalankan kode program tersebut.