--- title: Neural Network from Scratch url: https://rone.dev/id/projects/neural-network-from-scratch description: MNIST dengan akurasi validasi 97,9%, setiap lapis dan gradiennya ditulis di NumPy. language: id-ID updated: 2026-09-27 translations: en: https://rone.dev/projects/neural-network-from-scratch --- # Neural Network from Scratch MNIST dengan akurasi validasi 97,9%, setiap lapis dan gradiennya ditulis di NumPy. [Proyek](https://rone.dev/id/projects) / [AI](https://rone.dev/id/projects/category/ai) Riset · Dimulai 2025 · 0 Bintang GitHub · 0 Fork Jaringan feed-forward yang dirakit dari bagian-bagian alih-alih diimpor: lapis dense dan dropout, enam fungsi aktivasi, lima fungsi galat, dan pelatihan mini-batch dengan momentum serta early stopping — seluruhnya di NumPy. PyTorch muncul tepat sekali di repositorinya, untuk mengunduh MNIST; tidak ada bagian modelnya yang menyentuhnya. ## Angka * **97.9%** Akurasi validasi * **150** Epoch * **0** Dependensi kerangka kerja ## Fakta proyek | | | | --------- | ------------------------------------------------------------------------- | | Status | Riset | | Kategori | AI | | Dimulai | 2025 | | Peran | Riset dan implementasi | | Teknologi | Python, NumPy, Matplotlib, Tkinter | | Lisensi | CC0-1.0 | | Tautan | [Kode sumber](https://github.com/ridwaanhall/Neural-Network-from-Scratch) | ## Sekilas Memanggil metode fit sebuah kerangka kerja mengajarkan Anda API-nya. Menulis backward pass mengajarkan Anda kenapa API itu berbentuk demikian. Yang ini adalah yang kedua: forward dan backward untuk setiap lapis, aturan rantai diterapkan dengan tangan, dan gradien yang salah dengan cara yang kentara sampai akhirnya tidak lagi salah. Sesi latihan yang terekam mencapai akurasi pelatihan 98,9% dan akurasi validasi 97,9% pada MNIST setelah 150 epoch — cukup dekat dengan baseline sebuah kerangka kerja untuk menunjukkan bahwa matematikanya benar, dan itulah satu-satunya klaim yang layak dibuat proyek semacam ini. ## Apa yang sebenarnya diimplementasikan Lapis dense dengan pilihan inisialisasi bobot, dropout yang tahu bedanya pelatihan dan inferensi, enam aktivasi, lima fungsi galat termasuk Huber dan pasangan softmax-dengan-cross-entropy yang stabil secara numerik, pengacakan mini-batch, momentum, dan early stopping berdasarkan galat validasi. Lapis-lapisnya berbagi satu antarmuka kecil — forward, backward, update — sehingga sebuah jaringan hanyalah daftar benda yang memenuhinya. Batasan itulah yang menjaga kodenya tetap terbaca pada ukuran ini, dan batasan yang sama pula yang akhirnya dicapai setiap kerangka kerja. ## Ujian yang lebih berat daripada test split Sebuah kanvas gambar disertakan bersama kode pelatihannya: pilih model yang tersimpan, gambar sebuah angka dengan tetikus, dan lihat prediksinya berikut tingkat keyakinannya. Ini lebih penting daripada kelihatannya. Angka MNIST terpusat, ternormalisasi ukurannya, dan digambar dengan ketebalan goresan tertentu; angka yang digambar dengan tetikus tidak satu pun dari itu. Jarak antara skor pada data yang ditahan dan apa yang terjadi pada masukan yang benar-benar baru adalah hal paling berguna yang bisa ditunjukkan kepada pemula, dan jauh lebih meyakinkan untuk digambar sendiri daripada dibaca sebagai teori pergeseran distribusi. Pembantu draft berbasis baris perintah, dilatih atas data sinergi dan counter 128 hero. Gambar sebuah karakter; empat model konvolusi membacanya, dalam Latin atau Arab.