[id] cs-230-convolutional-neural-networks #155
Conversation
|
Thank you for your work @gitarja! Now, let's start the review process. |
|
Hi @gitarja, would you know someone who could review your work? |
|
Sorry for the late reply. I just found the reviewer, he will start reviewing my work from next week. Thank you |
|
That sounds great, thanks for the feedback @gitarja! |
id/convolutional-neural-networks.md
Outdated
| <br> | ||
|
|
||
|
|
||
| **3. [Overview, Architecture structure]** |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **4. [Types of layer, Convolution, Pooling, Fully connected]** | ||
|
|
||
| ⟶[Jenis-jenis layer, Covolution, Pooling, Fully connected] |
There was a problem hiding this comment.
[Jenis-jenis layer, Konvolusi, Penyatuan, Sepenuhnya terhubung]
There was a problem hiding this comment.
Ini juga nama konsep, yg Type of layer butuh diubah
There was a problem hiding this comment.
Fully connected juga nama konsep Bang?
id/convolutional-neural-networks.md
Outdated
|
|
||
| **5. [Filter hyperparameters, Dimensions, Stride, Padding]** | ||
|
|
||
| ⟶[Hyperparameters filter, Dimensi, Stride, Padding] |
There was a problem hiding this comment.
[Penyaring Hiperparameter, Dimensi, Langkah, Pengisi]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **9. [Face verification/recognition, One shot learning, Siamese network, Triplet loss]** | ||
|
|
||
| ⟶[Verifikasi/rekognisi wajah, One shot learning, Siamese network, Loss triplet] |
There was a problem hiding this comment.
[Pengenal Wajah, One Shot Learning, Jaringan Siamese, Hilangnya Tiga Serangkai]
There was a problem hiding this comment.
Kalau loss triplet gak diterjemahin gak apa2?
Nama teknik juga
There was a problem hiding this comment.
Gapapa Bang, tapi perlu di-italic karena nama asing.
id/convolutional-neural-networks.md
Outdated
| <br> | ||
|
|
||
|
|
||
| **6. [Tuning hyperparameters, Parameter compatibility, Model complexity, Receptive field]** |
There was a problem hiding this comment.
[Penyetelan hiperparameter, Kesesuaian parameter, model kerumitan, bidang reseptif]
id/convolutional-neural-networks.md
Outdated
| <br> | ||
|
|
||
|
|
||
| **8. [Object detection, Types of models, Detection, Intersection over Union, Non-max suppression, YOLO, R-CNN]** |
There was a problem hiding this comment.
[Deteksi objek, Tipe-tipe model, Deteksi, Persinggungan atas Penggabungan , Non-maks penekanan, YOLO, R-CNN]
There was a problem hiding this comment.
Intersection itu bisa diterjemahi ke Intereksi gak?
There was a problem hiding this comment.
Intereksi apa tuh Bang? Sama kaya interaksi?
There was a problem hiding this comment.
Itu kayak dua bagian bertemu, tenganya itu iterseksi
id/convolutional-neural-networks.md
Outdated
|
|
||
| **11. [Computational trick architectures, Generative Adversarial Net, ResNet, Inception Network]** | ||
|
|
||
| ⟶[Arkitektur trik komputasi, Generative Adversarial Net, ResNet, Inception Network] |
There was a problem hiding this comment.
[Arsitektur trik komputasional, Generative Adversarial Net, ResNet, Inception Network]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **12. Overview** | ||
|
|
||
| ⟶Overview |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **23. Filter hyperparameters** | ||
|
|
||
| ⟶Hyperparameters filter |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **24. The convolution layer contains filters for which it is important to know the meaning behind its hyperparameters.** | ||
|
|
||
| ⟶Layer convolutional memuat filter yang mana adalah penting untuk mengerti tentang maksud dari hyperparameter filter tersebut. |
There was a problem hiding this comment.
Lapisan konvolusi mengandung penyaring yang penting untuk dimengerti tentang maksud dari penyaring hiperparameter tersebut.
id/convolutional-neural-networks.md
Outdated
|
|
||
| **26. Filter** | ||
|
|
||
| ⟶Filter |
There was a problem hiding this comment.
Ini juga nama istilah, di italic aja ya
id/convolutional-neural-networks.md
Outdated
|
|
||
| **27. Remark: the application of K filters of size F×F results in an output feature map of size O×O×K.** | ||
|
|
||
| ⟶Perlu diperhatikan: aplikasi dari K filter dengan ukuran FxF menhasilkan sebuah keluaran feature map dengan ukuran O×O×K. |
There was a problem hiding this comment.
Catatan: pengaplikasian dari penyaring F dengan ukuran FxF menghasilkan sebuah keluaran fitur peta dengan ukuran O×O×K.
id/convolutional-neural-networks.md
Outdated
|
|
||
| **34. [Input, Filter, Output]** | ||
|
|
||
| ⟶[Masukan, Filter, Keluaran] |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **35. Remark: often times, Pstart=Pend≜P, in which case we can replace Pstart+Pend by 2P in the formula above.** | ||
|
|
||
| ⟶Perlu diperhatikan: sering, Pstart=Pend≜P, yang mana pada kasus tersebut kita dapat mengganti Pstart+Pend dengan 2P pada formula diatas. |
There was a problem hiding this comment.
Catatan: kerap kali, Pstart=Pend≜P, pada kasus tersebut kita dapat mengganti Pstart+Pend dengan 2P pada formula di atas.
id/convolutional-neural-networks.md
Outdated
|
|
||
| **38. [One bias parameter per filter, In most cases, S<F, A common choice for K is 2C]** | ||
|
|
||
| ⟶[Satu parameter bias untuk setiap filter, Pada banyak kasus, S<F, Sebuah pilihan yang umum untuk K berinali 2C] |
There was a problem hiding this comment.
[Satu parameter bias per filter, Pada banyak kasus, S>F, sebuah pilihan umum untuk K adalah 2C]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **41. Receptive field ― The receptive field at layer k is the area denoted Rk×Rk of the input that each pixel of the k-th activation map can 'see'. By calling Fj the filter size of layer j and Si the stride value of layer i and with the convention S0=1, the receptive field at layer k can be computed with the formula:** | ||
|
|
||
| ⟶Receptive field - Receptive field pada layer k adalah area yang dinotasikan RkxRk dari input yang setiap pixel dari k-th activation map dapat 'melihat'. Dengan menulasikan Fj sebagai ukuran filter dari layer j dan Si sebagai nilai stride pada layer i dan dengan konvensi S0=1, receptive field pada layer K dapat dihitung dengan formula berikut: |
There was a problem hiding this comment.
Receptive field ― Receptive field pada layer k adalah area yang dinotasikan RkxRk dari masukan yang setiap pixel dari k-th activation map dapat "melihat". Dengan menyebut Fj (sebagai) ukuran penyaring dari lapisan j dan Si (sebagai) nilai stride dari lapisan i dan dengan konvensi 50=1, receptive field pada lapisan k dapat dihitung dengan formula:
id/convolutional-neural-networks.md
Outdated
|
|
||
| **40. [Input is flattened, One bias parameter per neuron, The number of FC neurons is free of structural constraints]** | ||
|
|
||
| ⟶[Input diratakan(menjadi 1D), Satu parameter bias untuk setiap neuron, Jumlah dari neuron FC adalah bebas dari batasan struktural.] |
There was a problem hiding this comment.
[Masukan diratakan, satu parameter bias untuk setiap neuron, Jumlah dari neuron FC adalah terbebas dari batasan struktural.]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **39. [Pooling operation done channel-wise, In most cases, S=F]** | ||
|
|
||
| ⟶[Operasi pooling dan dilakukan channel-wise, Pada banyak kasus, S=F] |
There was a problem hiding this comment.
[Operasi Pooling (yang) dilakukan (dengan) channel-wise, Pada banyak kasus, S=F]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **42. In the example below, we have F1=F2=3 and S1=S2=1, which gives R2=1+2⋅1+2⋅1=5.** | ||
|
|
||
| ⟶Pada contoh dibawah ini, kita memiliki F1=f2=3 dan S1=S2=1, yang menghasilkan R2=1+2⋅1+2⋅1=5. |
There was a problem hiding this comment.
Pada contoh di bawah ini, kita memiliki F1=F2=3 dan S1=S2=1, yang menghasilkan R2=1+2-1+2-1=5.
id/convolutional-neural-networks.md
Outdated
|
|
||
| **43. Commonly used activation functions** | ||
|
|
||
| ⟶Fungsi-fungsi aktifasi yang biasa dipakai |
There was a problem hiding this comment.
Fungsi-fungsi aktivasi yang biasa dipakai
id/convolutional-neural-networks.md
Outdated
|
|
||
| **44. Rectified Linear Unit ― The rectified linear unit layer (ReLU) is an activation function g that is used on all elements of the volume. It aims at introducing non-linearities to the network. Its variants are summarized in the table below:** | ||
|
|
||
| ⟶Rectified Linear Unit - Layer rectified linear unit (ReLU) adalah sebuah fungsi aktifasi g yang digunakan pada seluruh elemen. Penggunaan ReLU adalah untuk memasukan non-linearitas ke network. Variasi-variasi dari ReLU dirangkum pada tebel dibawah ini: |
There was a problem hiding this comment.
Rectified Linear Unit ― Lapisan Rectified Linear Unit (ReLU) adalah sebuat fungsi aktivasi g yang digunakan pada seluruh elemen volume. Unit ini bertujuan untuk menempatkan non-linearitas pada jaringan. Variasi-variasi ReLU ini dirangkum pada tabel di bawah ini:
id/convolutional-neural-networks.md
Outdated
|
|
||
| **48. where** | ||
|
|
||
| ⟶Dimana |
|
@shervinea Thank you |
|
Hi @gitarja, thanks for your message. I just removed the |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **26. Filter** | ||
|
|
||
| ⟶Filter |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **34. [Input, Filter, Output]** | ||
|
|
||
| ⟶[Masukan, Filter, Keluaran] |
id/convolutional-neural-networks.md
Outdated
|
|
||
| **46. [Non-linearity complexities biologically interpretable, Addresses dying ReLU issue for negative values, Differentiable everywhere]** | ||
|
|
||
| ⟶[Kompleksitas non-linearitas yang dapat diinterpretasikan secara biologi, Menangani permasalahan dying ReLU yang terjadi untuk nilai negatif, Dapat diturunkan] |
There was a problem hiding this comment.
[Kompleksitas non-linearitas yang dapat ditafsirkan secara biologi, Menangani permasalahan dying ReLU yang bernilai negatif, Yang dapat dibedakan di mana pun]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **47. Softmax ― The softmax step can be seen as a generalized logistic function that takes as input a vector of scores x∈Rn and outputs a vector of output probability p∈Rn through a softmax function at the end of the architecture. It is defined as follows:** | ||
|
|
||
| ⟶Softmax - Langkah softmax dapat dilihat sebagai fungsi logistik yang digeneralisasi yang mengambil masukan sebuah vektor x∈Rn dan mengeluarkan sebuah probabilitas vektor p∈Rn melalui sebuah fungsi softmax pada akhir arsitektur network. Softmax didefinisikan sebagai berikut: |
There was a problem hiding this comment.
Softmax ― Langkah softmax dapat dilihat sebagai sebuah fungsi logistik umum yang berperan sebagai masukan dari nilai skor vektor x∈Rn dan mengualarkan probabilitas produk vektor p∈Rn melalui sebuah fungsi softmax pada akhir dari jaringan arsitektur. Softmax didefinisikan sebagai berikut:
id/convolutional-neural-networks.md
Outdated
|
|
||
| **4. [Types of layer, Convolution, Pooling, Fully connected]** | ||
|
|
||
| ⟶[Jenis-jenis layer, Covolution, Pooling, Fully connected] |
There was a problem hiding this comment.
[Jenis-jenis layer, Konvolusi, Pooling, Fully connected]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **5. [Filter hyperparameters, Dimensions, Stride, Padding]** | ||
|
|
||
| ⟶[Hyperparameters filter, Dimensi, Stride, Padding] |
There was a problem hiding this comment.
[Hyperparameters filter, Dimensi, Stride, Padding]
id/convolutional-neural-networks.md
Outdated
| <br> | ||
|
|
||
|
|
||
| **8. [Object detection, Types of models, Detection, Intersection over Union, Non-max suppression, YOLO, R-CNN]** |
There was a problem hiding this comment.
Intereksi apa tuh Bang? Sama kaya interaksi?
id/convolutional-neural-networks.md
Outdated
|
|
||
| **9. [Face verification/recognition, One shot learning, Siamese network, Triplet loss]** | ||
|
|
||
| ⟶[Verifikasi/rekognisi wajah, One shot learning, Siamese network, Loss triplet] |
There was a problem hiding this comment.
[Pengenal Wajah, One Shot Learning, Jaringan Siamese, Triplet loss]
id/convolutional-neural-networks.md
Outdated
| <br> | ||
|
|
||
|
|
||
| **20. [Max pooling, Average pooling, Each pooling operation selects the maximum value of the current view, Each pooling operation averages the values of the current view]** |
There was a problem hiding this comment.
[Max pooling, Average pooling, Setiap operasi pooling mewakili nilai maksimal dari tampilan terbaru, setiap operasi pooling meratakan nilai-nilai dari tampilan terbaru]
id/convolutional-neural-networks.md
Outdated
|
|
||
| **22. Fully Connected (FC) ― The fully connected layer (FC) operates on a flattened input where each input is connected to all neurons. If present, FC layers are usually found towards the end of CNN architectures and can be used to optimize objectives such as class scores.** | ||
|
|
||
| ⟶Fully Connected (FC) - Fully connected layer (FC) menangani sebuah masukan dijadikan 1D dimana setiap elemen masukan terkoneksi keseluruh neuron. Layer FC biasanya ditemukan pada akhir dari arsitektur CNN dan dapat digunakan untuk mengoptimisasi objektif seperti skor kelas (pada kasus klasifikasi). |
There was a problem hiding this comment.
Fully Connected (FC) - Lapisan Fully connected mengoperasikan sebuah masukan di mana setiap masukan terhubung ke seluruh neuron. Bila ada, lapisan-lapisan FC biasanya ditemukan pada akhir arsitektur CNN dan dapat digunakan untuk mengoptimalkan hasil seperti skor-skor kelas.
id/convolutional-neural-networks.md
Outdated
|
|
||
| **33. Parameter compatibility in convolution layer ― By noting I the length of the input volume size, F the length of the filter, P the amount of zero padding, S the stride, then the output size O of the feature map along that dimension is given by:** | ||
|
|
||
| ⟶Kompabilitas hyperparameter pada layer konvolusion - Dengan menuliskan I sebagai panjang dari ukuran volume masukan, F sebagai panjang dari filter, P sebagai jumlah zero padding, S sebagai stride, maka ukuran keluaran O dari feature map pada dimensi tersebut dituliskan sebagai: |
There was a problem hiding this comment.
Kompabilitas parameter pada lapisan konvolusi - Dengan menuliskan I sebagai panjang dari ukuran volume masukan, F sebagai panjang dari filter, P sebagai jumlah dari zero padding, S sebagai stride, maka ukuran keluaran 0 dari feature map pada dimensi tersebut ditandai dengan:
id/convolutional-neural-networks.md
Outdated
|
|
||
| **50. Types of models ― There are 3 main types of object recognition algorithms, for which the nature of what is predicted is different. They are described in the table below:** | ||
|
|
||
| ⟶Tipe-tipe model - Ada tiga tipe utama dari algoritma rekognisi objek, yang mana berbeda pada hal yang diprediksi. Tipe-tipe tersebut dijelaskan pada tabel dibawah ini: |
There was a problem hiding this comment.
Tipe-tipe model - Ada tiga tipe utama dari algoritma rekognisi objek, yang mana hakikat yang diprediksi tersebut berbeda. Tipe-tipe tersebut dijelaskan pada tabel di bawah ini:
Revise the translation according to the comments from the reviewer.
|
Morning @shervinea |
|
@GunawanTri |
|
Thank you @gitarja and @GunawanTri for all your work! It is very appreciated. |
|
@gitarja di merge tuh maksudnya apa Bang? |
Mksdnya digabung sama kerjaannya Mas yg diatas. Intinya untuk artikel yg ini sudah selesai |
|
@shervinea Sorry, can you open this part again? |
|
Hi @gitarja, thanks for reaching out. Please feel free to open a new PR for any additional revision. |
shervinea
changed the title
No description provided.