AI Animasi

• Animated AI adalah proyek yang menampilkan konsep jaringan saraf melalui animasi dan video edukasi, sehingga proses komputasi yang sulit dipahami secara visual menjadi lebih mudah diikuti
• Materi utamanya berfokus pada algoritme dasar Convolution, Padding, Stride, Groups, Depthwise, dan Depthwise-separable Convolution
• Materi Pixel Shuffle menunjukkan alur perubahan resolusi dengan membaginya ke dalam contoh ukuran blok 2x2 dan 3x3
• Setiap topik terhubung ke video pendamping YouTube yang dapat ditonton bersama materi animasi di halaman
• Halaman proyek mengarahkan ke Patreon dan kanal YouTube, dan kodenya dirilis dengan MIT License

---

Animasi dan video jaringan saraf

• Animated AI membuat animasi dan video edukasi yang menjelaskan jaringan saraf
• Tautan resmi untuk dukungan dan menonton video juga disediakan
  • Patreon
  • YouTube channel

Materi pembelajaran Convolution

• Fundamental Algorithm of Convolution in Neural Networks adalah video pendamping YouTube yang membahas algoritme dasar Convolution
• Convolution Padding - Neural Networks menunjukkan perbedaan Padding
  • Tanpa Padding, yaitu “Valid”
  • Padding [1,1,1,1], yaitu “Same”
• Stride - Convolution in Neural Networks membahas pengaturan Stride dan kombinasi Padding
  • Stride 1 dan Stride 2
  • Kombinasi No Padding “Valid” dan Padding [1,1,1,1] “Same”
• Groups, Depthwise, and Depthwise-Separable Convolution (Neural Networks) adalah materi untuk membandingkan Convolution tipe Groups dan Depthwise
  • 1 Group
  • 2 Groups
  • Depthwise, 8 Groups
  • Depthwise-separable, dengan pointwise diterapkan setelah 8 Groups

Contoh Pixel Shuffle

• Pixel Shuffle - Changing Resolution with Style adalah video pendamping YouTube yang membahas Pixel Shuffle
• Pada ukuran blok 2x2, Anda dapat melihat contoh Shuffle, Unshuffle, dan loop berulang
  • 2x2 Pixel Shuffle
  • 2x2 Pixel Unshuffle
  • 2x2 Pixel Shuffle/Unshuffle Loop
• Alur yang sama juga disediakan sebagai contoh terpisah untuk ukuran blok 3x3
  • 3x3 Pixel Shuffle
  • 3x3 Pixel Unshuffle
  • 3x3 Pixel Shuffle/Unshuffle Loop

Lisensi

• Kode proyek dilisensikan dengan MIT License

[GN⁺]

Pendapat di Hacker News

• Desainnya bagus, dan ada juga alat visualisasi CNN dari riset Georgia Tech
  https://poloclub.github.io/cnn-explainer/
  Kumpulan alat untuk merancang dan memvisualisasikan struktur jaringan neural: https://github.com/ashishpatel26/Tools-to-Design-or-Visualiz...
  Ada juga TensorFlow Playground: https://playground.tensorflow.org/

  • ManimML: https://github.com/helblazer811/ManimML
    “But what is a convolution?”: https://youtu.be/KuXjwB4LzSA?si=qwnZMQYJhDxraGc8 https://github.com/3b1b/videos/tree/master/_2022/convolution... https://github.com/3b1b/videos/tree/master/_2023/convolution...
    “Convolution Is Fancy Multiplication”: https://news.ycombinator.com/item?id=25190770#25194658
    Tautan terkait Manim, Blender, ipyblender, PhysX, o3de, FEM, CFD dari https://news.ycombinator.com/item?id=37953886: https://github.com/ManimCommunity/manim/issues/3362
    Kombinasi Manim + O3DE tampaknya cukup berguna untuk pembelajaran, dan ada juga kode video algoritma Rubik's Cube yang dibuat dengan Manim: https://github.com/polylog-cs/rubiks-cube-video/blob/main/co...
    Dokumentasi API Manim: https://docs.manim.community/en/stable/reference.html
  • Widget “Understanding Hyperparameters” di artikel poloclub sangat bagus, dan alat yang dibuat dengan gaya serupa juga bisa membantu
    https://static.laszlokorte.de/conv2d/

• Penggunaan warnanya benar-benar bagus, dan awalnya saya kira ini contoh animasi yang dibuat AI
  Karena ternyata dibuat langsung secara manual, usaha yang dicurahkan jadi makin terlihat, dan video-video kanal YouTube-nya juga layak ditonton

  • Saya tinggalkan tautan kanal agar mudah dijadikan referensi: https://www.youtube.com/@animatedai/videos

• Proyek yang bagus, tapi sebaiknya jangan memuat gambar GIF lebih dari 100MB tanpa peringatan

  • Kalau halaman membahas animasi, wajar saja medianya lebih berat daripada halaman biasa, dan situs web umum sekarang juga cukup besar
    NYT 11MB, Washington Post 22MB, dan sekali turun di Reddit saja sekitar 40MB
    Menurut saya, untuk halaman yang memang ingin menampilkan animasi, ukuran di kisaran 100MB belum sampai harus diberi peringatan khusus sebelumnya
  • Sepertinya cukup diberi tag “56k killer” seperti dulu
  • Saya pembuat situsnya; terima kasih sudah menunjukkannya. Jumlah animasi bertambah seiring waktu, dan saya tidak sadar ukuran totalnya sudah sebesar ini
    Saya ingin tahu perilaku seperti apa yang diinginkan. Misalnya gambar statis yang diputar saat diklik/diketuk, bagian yang disembunyikan sampai dibuka, atau cara lain
  • Tepatnya 134MB

• Dibuat dengan sangat baik, dan mengingatkan pada video penjelasan animasi 3D yang luar biasa seperti ini: https://www.youtube.com/@animagraffs

• Dulu saya pernah membuat animasi sendiri dengan Manim; mungkin tidak sekilap ini, tapi bisa membantu
  https://www.jerpint.io/blog/cnn-cheatsheet/

• Saya juga ingin melihat lapisan attention dianimasikan seperti ini. Rasanya hampir paham, tapi belum sepenuhnya

  • Saya belum menemukan “satu visualisasi” yang bisa membuat konsep attention pada Transformer semudah memahami visualisasi CNN ini
    Kalau ada halaman yang membantu memunculkan momen eureka untuk benar-benar memahami lapisan attention, saya akan senang jika dibagikan
  • Saya pembuat situsnya; ada kabar baik. Saat ini saya sedang mengerjakan animasi dan video penjelasan tentang Transformer dan self-attention
    Cara terbaik untuk mendapat notifikasi sepertinya adalah berlangganan kanal YouTube dan menyalakan ikon notifikasi
  • Sepertinya maksudnya ingin melihat animasi attention. Halaman ini menunjukkan konvolusi, bukan attention

• Untuk melihat artikel interaktif tentang algoritma AI tertentu, mlu-explain dari Amazon juga layak dicek
  https://mlu-explain.github.io/

• Benar-benar bagus. Akan menyenangkan kalau ada bagian RNN atau Transformer, dan saya juga bersedia membayar untuk melihatnya

• Saya sering berharap dokumentasi pandas juga punya animasi seperti ini. Pipeline groupby / split-apply-combine sepertinya bisa dijelaskan dengan satu klip 10 detik