Keras: Introduction to the Adam Optimization Algorithm - Revision history

Onnowpurbo: /* Perbandingan Adam terhadap Optimization Algorithms Training lainnya di Multilayer Perceptron */

2019-09-08T03:48:19Z

Perbandingan Adam terhadap Optimization Algorithms Training lainnya di Multilayer Perceptron

Onnowpurbo: /* Parameter Konfigurasi Adam */

2019-09-03T03:04:20Z

Parameter Konfigurasi Adam

Onnowpurbo: /* Summary */

2019-08-19T05:15:49Z

Summary

Onnowpurbo: /* Further Reading */

2019-08-19T04:50:26Z

Onnowpurbo: /* Parameter Konfigurasi Adam */

2019-08-19T04:50:06Z

Parameter Konfigurasi Adam

Onnowpurbo: /* Adam Configuration Parameters */

2019-08-19T04:39:58Z

Adam Configuration Parameters

Onnowpurbo: /* Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron */

2019-08-19T04:36:37Z

Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron

Onnowpurbo: /* Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron */

2019-08-19T04:33:41Z

Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron

Onnowpurbo: /* Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron */

2019-08-19T04:30:38Z

Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron

Onnowpurbo: /* Adam is Effective */

2019-08-19T04:27:00Z

Adam is Effective

@@ Line 74: / Line 74: @@
 Makalah ini pada dasarnya adalah sebuah tour dari metode modern. Di bagian yang berjudul “Which optimizer to use?“, Ia merekomendasikan menggunakan Adam.
 ''"Insofar, RMSprop, Adadelta, and Adam are very similar algorithms that do well in similar circumstances. […] its bias-correction helps Adam slightly outperform RMSprop towards the end of optimization as gradients become sparser. Insofar, Adam might be the best overall choice."''
 Di Stanford course tentang deep learning untuk computer vision berjudul “CS231n: Convolutional Neural Networks for Visual Recognition” dikembangkan oleh Andrej Karpathy, et al., Algoritma Adam sekali lagi disarankan sebagai metode optimalisasi standar untuk aplikasi deep learning.

@@ Line 98: / Line 98: @@
 Adam paper menyarankan:
-* Pengaturan default yang baik untuk masalah machine learning yang diuji adalah alpha=0.001, beta1=0.9, beta2=0.999 and epsilon=10−8
+* Pengaturan default yang baik untuk masalah machine learning yang diuji adalah alpha=0.001, beta1=0.9, beta2=0.999 and epsilon=1,0E−8
 Dokumentasi TensorFlow menyarankan tuning epsilon sebagai berikut:

@@ Line 116: / Line 116: @@
 ==Summary==
-In this post, you discovered the Adam optimization algorithm for deep learning.
+Dalam tulisan ini, kita berkenalan dengan algoritma optimisasi Adam untuk deep learning.
 ==Referensi==

@@ Line 113: / Line 113: @@
   MxNet: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8
   Torch: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8
 ==Summary==

@@ Line 91: / Line 91: @@
 * alpha. Juga disebut sebagai learning rate atau step size. Proporsi yang digunakan weight saat pembaruan (mis. 0,001). Nilai yang lebih besar (mis. 0.3) menghasilkan pembelajaran awal yang lebih cepat sebelum rate diperbarui. Nilai yang lebih kecil (mis. 1.0E-5) memperlambat pembelajaran saat training.
 * beta1. Exponential decay rate untuk estimasi momen pertama (mis. 0.9).
-* beta2. The exponential decay rate for the second-moment estimates (e.g. 0.999). This value should be set close to 1.0 on problems with a sparse gradient (e.g. NLP and computer vision problems).
+* beta2. The exponential decay rate untuk estimasi second-moment (mis. 0,999). Nilai ini harus diset mendekati 1.0 pada masalah dengan sparse gradien (mis. masalah NLP dan computer vision).
-* epsilon. Is a very small number to prevent any division by zero in the implementation (e.g. 10E-8).
+* epsilon. Merupakan angka yang sangat kecil untuk mencegah pembagian dengan nol saat implementasi (misalnya 10E-8).
-Further, learning rate decay can also be used with Adam. The paper uses a decay rate alpha = alpha/sqrt(t) updted each epoch (t) for the logistic regression demonstration.
+Selanjutnya, tingkat peluruhan pembelajaran juga dapat digunakan dengan Adam. Makalah ini menggunakan tingkat peluruhan alpha=alpha/sqrt(t) diperbarui setiap epoch(t) untuk demonstrasi  logistic regression.
-The Adam paper suggests:
+Adam paper menyarankan:
-    Good default settings for the tested machine learning problems are alpha=0.001, beta1=0.9, beta2=0.999 and epsilon=10−8
+* Pengaturan default yang baik untuk masalah machine learning yang diuji adalah alpha=0.001, beta1=0.9, beta2=0.999 and epsilon=10−8
-The TensorFlow documentation suggests some tuning of epsilon:
+Dokumentasi TensorFlow menyarankan tuning epsilon sebagai berikut:
-    The default value of 1e-8 for epsilon might not be a good default in general. For example, when training an Inception network on ImageNet a current good choice is 1.0 or 0.1.
+* Nilai default epsilon 1e-8 mungkin bukan nilai default yang bagus secara umum. Contoh, saat melatih jaringan Inception di ImageNet, pilihan bagus saat ini adalah 1,0 atau 0,1.
-We can see that the popular deep learning libraries generally use the default parameters recommended by the paper.
+Kita dapat melihat bahwa library deep learning yang populer umumnya menggunakan parameter default yang direkomendasikan oleh makalah.
   TensorFlow: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08.
@@ Line 113: / Line 113: @@
   MxNet: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8
   Torch: learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-8
 ==Further Reading==

@@ Line 87: / Line 87: @@
 Contoh, dia digunakan dalam paper “Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” saat image captioning dan “DRAW: A Recurrent Neural Network For Image Generation” pada image generation.
-==Adam Configuration Parameters==
+==Parameter Konfigurasi Adam==
-* alpha. Also referred to as the learning rate or step size. The proportion that weights are updated (e.g. 0.001). Larger values (e.g. 0.3) results in faster initial learning before the rate is updated. Smaller values (e.g. 1.0E-5) slow learning right down during training
+* alpha. Juga disebut sebagai learning rate atau step size. Proporsi yang digunakan weight saat pembaruan (mis. 0,001). Nilai yang lebih besar (mis. 0.3) menghasilkan pembelajaran awal yang lebih cepat sebelum rate diperbarui. Nilai yang lebih kecil (mis. 1.0E-5) memperlambat pembelajaran saat training.
-* beta1. The exponential decay rate for the first moment estimates (e.g. 0.9).
+* beta1. Exponential decay rate untuk estimasi momen pertama (mis. 0.9).
 * beta2. The exponential decay rate for the second-moment estimates (e.g. 0.999). This value should be set close to 1.0 on problems with a sparse gradient (e.g. NLP and computer vision problems).
 * epsilon. Is a very small number to prevent any division by zero in the implementation (e.g. 10E-8).

@@ Line 66: / Line 66: @@
 * Using large models and datasets, we demonstrate Adam can efficiently solve practical deep learning problems.
-==Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron==
+==Perbandingan Adam terhadap Optimization Algorithms Training lainnya di Multilayer Perceptron==
 Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron
@@ Line 81: / Line 81: @@
 Dalam praktiknya, Adam saat ini direkomendasikan sebagai algoritma default untuk digunakan, dan hasilnya sering sedikit lebih baik daripada RMSProp. Namun, patut juga dicoba SGD + Nesterov Momentum sebagai alternatif.
-And later stated more plainly:
+Dan kemudian dinyatakan lebih jelas "Dua update yang disarankan untuk digunakan adalah SGD + Nesterov Momentum atau Adam."
-    The two recommended updates to use are either SGD+Nesterov Momentum or Adam.
+Adam diadaptasi untuk tolok ukur dalam makalah deep learning.
-Adam is being adapted for benchmarks in deep learning papers.
+Contoh, dia digunakan dalam paper “Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” saat image captioning dan “DRAW: A Recurrent Neural Network For Image Generation” pada image generation.
 ==Adam Configuration Parameters==

@@ Line 69: / Line 69: @@
 Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron
-Taken from Adam: A Method for Stochastic Optimization, 2015.
+di ambil dari Adam: A Method for Stochastic Optimization, 2015.
-Sebastian Ruder developed a comprehensive review of modern gradient descent optimization algorithms titled “An overview of gradient descent optimization algorithms” published first as a blog post, then a technical report in 2016.
+Sebastian Ruder mengembangkan tinjauan komprehensif modern gradient descent optimization algorithm dengan judul “An overview of gradient descent optimization algorithms” yang dipublikasi pertama kali sebagai blog post, kemudian technical report tahun 2016.
-The paper is basically a tour of modern methods. In his section titled “Which optimizer to use?“, he recommends using Adam.
+Makalah ini pada dasarnya adalah sebuah tour dari metode modern. Di bagian yang berjudul “Which optimizer to use?“, Ia merekomendasikan menggunakan Adam.
-    Insofar, RMSprop, Adadelta, and Adam are very similar algorithms that do well in similar circumstances. […] its bias-correction helps Adam slightly outperform RMSprop towards the end of optimization as gradients become sparser. Insofar, Adam might be the best overall choice.
+"Insofar, RMSprop, Adadelta, and Adam are very similar algorithms that do well in similar circumstances. […] its bias-correction helps Adam slightly outperform RMSprop towards the end of optimization as gradients become sparser. Insofar, Adam might be the best overall choice."
 In the Stanford course on deep learning for computer vision titled “CS231n: Convolutional Neural Networks for Visual Recognition” developed by Andrej Karpathy, et al., the Adam algorithm is again suggested as the default optimization method for deep learning applications.

@@ Line 58: / Line 58: @@
 Nilai awal dari moving average dan nilai beta1 dan beta2 mendekati 1.0 (disarankan) menghasilkan estimasi bias dari moment menuju nol. Bias ini diatasi dengan terlebih dahulu menghitung estimasi yang bias sebelum kemudian menghitung bias-corrected estimate..
-==Adam is Effective==
+==Adam Effective==
-Adam is a popular algorithm in the field of deep learning because it achieves good results fast.
+Adam adalah algoritma yang populer di bidang deep learning karena ia mencapai hasil yang baik dengan cepat. Hasil empiris menunjukkan bahwa Adam bekerja dengan baik dalam praktiknya dan lebih baik dibandingkan dengan stochastic optimization method lainnya.
-    Empirical results demonstrate that Adam works well in practice and compares favorably to other stochastic optimization methods.
+Dalam makalah aslinya, Adam diperagakan secara empiris untuk menunjukkan bahwa konvergensi memenuhi harapan analisis teoritis. Adam diaplikasikan pada algoritma regresi logistik pada pengenalan digit MNIST dan dataset analisis sentimen IMDB, algoritma Multilayer Perceptron pada dataset MNIST dan Convolutional Neural Networks pada dataset pengenalan gambar CIFAR-10. Mereka menyimpulkan:
-In the original paper, Adam was demonstrated empirically to show that convergence meets the expectations of the theoretical analysis. Adam was applied to the logistic regression algorithm on the MNIST digit recognition and IMDB sentiment analysis datasets, a Multilayer Perceptron algorithm on the MNIST dataset and Convolutional Neural Networks on the CIFAR-10 image recognition dataset. They conclude:
+* Using large models and datasets, we demonstrate Adam can efficiently solve practical deep learning problems.
-    Using large models and datasets, we demonstrate Adam can efficiently solve practical deep learning problems.
+==Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron==
 Comparison of Adam to Other Optimization Algorithms Training a Multilayer Perceptron
@@ Line 90: / Line 88: @@
 For example, it was used in the paper “Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” on attention in image captioning and “DRAW: A Recurrent Neural Network For Image Generation” on image generation.
 ==Adam Configuration Parameters==