Derin Öğrenme Araçları

5 Temmuz 2025

Derin öğrenme, yapay zekanın en göz alıcı alanlarından biri ve bu alanda başarılı projeler geliştirebilmek için güçlü araçlara ihtiyaç duyuluyor. Bu yazımızda, derin öğrenme araçları arasında en çok kullanılan kütüphanelerden TensorFlow ve PyTorch‘a giriş yapacak, GPU kullanımı ve CUDA‘nın nasıl devreye girdiğini anlatacağız. Ayrıca, model eğitimi öncesinde oldukça kritik bir süreç olan veri yükleme ve ön işleme adımlarını da detaylandıracağız.

Konu Başlıkları

TensorFlow

TensorFlow, Google tarafından geliştirilen açık kaynaklı bir derin öğrenme kütüphanesidir. Özellikle büyük veri kümeleri üzerinde çalışan derin öğrenme modelleri oluşturmak ve eğitmek için oldukça güçlüdür. Python ile birlikte kullanılmakta olup, arka planda C++ gibi düşük seviyeli dillerle yüksek performans sağlar.

TensorFlow ile Basit Bir Model Örneği

Bu Python kodu, TensorFlow kütüphanesini kullanarak basit bir yapay sinir ağı (YSA) modeli oluşturur. Model, 10 girdili bir veri kümesinden tek bir sayısal değer tahmin etmek üzere tasarlanmış bir regresyon modelidir. İki katmandan oluşur: ilk katman 64 nörona sahip ve ReLU aktivasyon fonksiyonunu kullanır, ikinci katman ise tek bir nörona sahip ve doğrusal bir çıktı verir.

import tensorflow as tf

# Basit bir yapay sinir ağı modeli tanımlıyoruz
model = tf.keras.Sequential([
    tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),
    tf.keras.layers.Dense(1)
])

model.compile(optimizer='adam', loss='mean_squared_error')

import tensorflow as tf

# Basit bir yapay sinir ağı modeli tanımlıyoruz

model = tf.keras.Sequential([

tf.keras.layers.Dense(64, activation='relu', input_shape=(10,)),

tf.keras.layers.Dense(1)

])

model.compile(optimizer='adam', loss='mean_squared_error')

PyTorch

PyTorch, Facebook tarafından geliştirilen ve dinamik grafiklerle çalışan bir derin öğrenme framework’üdür. Akademik dünyada oldukça popülerdir çünkü kodlaması daha esnek ve Python’a daha yakındır.

PyTorch Örneği

Bu örneğimiz ise PyTorch kütüphanesini kullanarak basit bir doğrusal regresyon modeli oluşturur. Model, SimpleModel adında bir sınıf olarak tanımlanır ve tek bir doğrusal katmandan oluşur; bu katman 10 girdi alır ve tek bir sayısal çıktı üretir. forward metodu, veriyi bu doğrusal katmandan geçirerek modelin tahminini yapar. Son olarak, SimpleModel sınıfından bir örnek oluşturularak model somutlaştırılır.

import torch
import torch.nn as nn

class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.linear = nn.Linear(10, 1)

    def forward(self, x):
        return self.linear(x)

model = SimpleModel()

import torch

import torch.nn as nn

class SimpleModel(nn.Module):

def __init__(self):

super(SimpleModel, self).__init__()

self.linear = nn.Linear(10, 1)

def forward(self, x):

return self.linear(x)

model = SimpleModel()

Keras

Keras, TensorFlow’un üzerine inşa edilmiş, kullanıcı dostu ve modüler bir derin öğrenme kütüphanesidir. Özellikle yeni başlayanlar için harika bir tercih olan Keras, model geliştirme sürecini basitleştirir. Karmaşık matematiksel ifadeler yerine sade bir Python sözdizimiyle çalışır.

Aslında Keras bir süre bağımsız bir kütüphane olarak başladı ama daha sonra TensorFlow 2.x sürümleriyle birlikte TensorFlow’un resmi yüksek seviyeli API’si haline geldi. Yani artık doğrudan tensorflow.keras olarak kullanılıyor.

Keras Örneği

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Model oluştur
model = Sequential()
model.add(Dense(64, activation='relu', input_shape=(10,)))
model.add(Dense(1, activation='sigmoid'))

# Modeli derle
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# Eğit
model.fit(X_train, y_train, epochs=10, batch_size=32)

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

# Model oluştur

model = Sequential()

model.add(Dense(64, activation='relu', input_shape=(10,)))

model.add(Dense(1, activation='sigmoid'))

# Modeli derle

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# Eğit

model.fit(X_train, y_train, epochs=10, batch_size=32)

Post Views: 1

Paylaş

İlginizi Çekebilir

24 Ocak 2025

Python ile Makine Öğrenimi