Derin Öğrenmeye Giriş
- Derin Öğrenme, yapay sinir ağları denilen beynin yapısından ve işlevinden ilham alan algoritmalarla ilgili olan, makine öğrenmesinin bir alt alanıdır.
- Derin Öğrenme daha fazla veri için daha fazla donanım gücü gerektiren, çok büyük sinir ağlarıdır.
İşlem Birimleri
CPU:
- Eğitilmesi uzun sürmeyen basit modeller
- Küçük etkili küme boyutları olan küçük modeller
- TensorFlow işlemlerinin hakim olduğu modeller
- Kullanılabilir Giriş / Çıkış veya ana bilgisayar sisteminin ağ bant genişliği ile sınırlı modellerde kullanılır.
GPU:
- Tensorflow harici bir araç ile yazılan ve yüksek işlem gücü gerektiren modeller,
- Daha büyük efektif küme boyutları olan orta büyük modellerde kullanılır.
TPU:
- Matris hesaplamaları yoğunluklu olan modeller,
- Yalnızca TensorFlow’u desteklemektedir!
- Eğitilmesi haftalar veya aylar süren modeller,
- Çok büyük efektif küme boyutları olan çok büyük modellerde kullanılır.
TensorFlow nedir?
- TensorFlow, derin öğrenme işlemlerinde kullanılan açık kaynak kodlu makine öğrenmesi kütüphanesidir. Grafikteki düğümler, matematiksel işlemleri temsil ederken, grafik kenarları aralarında iletilen çok boyutlu veri dizilerini (tensörler) temsil eder.
- Python programlama dilini kullanır.
- TensorFlow temel olarak şunlar için kullanılır:
- Sınıflandırma,
- Algılama,
- Anlama,
- Keşfetme,
- Tahmin Etme
TensorFlow’un Ana Kullanım Alanları
- Ses Tanıma/Algılama
- Metin Tabanlı Uygulamalar
- Görsel Tanıma
- Zaman Serileri
- Video Algılama
Keras nedir?
- Keras, derin öğrenme için yazılmış bir python kütüphanesidir. Tensorflow,CNTK veya Theano üzerinde çalıştırılabilir.
- Kullanıcı deneyimini öne ve merkeze koyar.
- Yeni modüllerin eklenmesi kolaydır (yeni sınıflar ve fonksiyonlar gibi) ve mevcut modüller geniş örnekler sunar.
- Modelleri tanımlamayı ve eğitmeyi kolaylaştırır.
Cloud Deep Learning
Eğitim ve sonuç çıkarma olmak üzere iki aşamadan oluşur. Eğitim sırasında ek veriler elde edersek, ağı yeniden eğitebiliriz (örneğin, transfer öğrenmeyi kullanarak). Sonrasında, istediğimiz sonucu alana kadar yeni modeli, tekrar tekrar eğitim ortamına yerleştirebiliriz.
Eğitim Aşaması: Karmaşık hesaplama işlemlerine sahiptir. Bu aşamada, ileri besleme, geri besleme ve ağırlık güncelleme işlemleri yapılmaktadır. Yüksek güce sahip donanımlara ihtiyaç duyulur.
Sonuç Çıkarma Aşaması: Eğitim aşamasına göre nispeten daha az karmaşık işlemlere sahiptir. Bunun nedeni ağın sadece bir kez ileriye doğru beslenmesidir. Sonuç çıkarma işlemleri için düşük güce sahip donanımlar da yeterlidir.
Songül ERDEM
Stajyer
