Derin \u00f6\u011frenme, yapay zeka alan\u0131nda son y\u0131llar\u0131n en d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc teknolojilerinden biri olarak \u00f6ne \u00e7\u0131kmaktad\u0131r. \u00d6zellikle g\u00f6r\u00fcnt\u00fc i\u015fleme, do\u011fal dil i\u015fleme ve konu\u015fma tan\u0131ma gibi alanlarda insan performans\u0131na yak\u0131n, hatta bazen onu a\u015fan sonu\u00e7lar elde etmesiyle dikkat \u00e7ekmektedir. Bu ba\u015far\u0131n\u0131n temelinde, insan beyninin \u00e7al\u0131\u015fma prensiplerinden ilham alan yapay sinir a\u011flar\u0131 ve \u00f6zellikle evri\u015fimsel sinir a\u011flar\u0131 (CNN’ler) yatmaktad\u0131r. CNN’ler, g\u00f6r\u00fcnt\u00fclerdeki hiyerar\u015fik \u00f6zellikleri otomatik olarak \u00f6\u011frenme yetenekleri sayesinde, geleneksel bilgisayar g\u00f6r\u00fc\u015f\u00fc y\u00f6ntemlerinin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 zorluklar\u0131 a\u015fmada devrim niteli\u011finde ad\u0131mlar atm\u0131\u015ft\u0131r.<\/p>\n
Bu makale, derin \u00f6\u011frenme mimarilerinin geli\u015fiminde kilometre ta\u015f\u0131 niteli\u011findeki \u00fc\u00e7 \u00f6nemli modeli, AlexNet, VGG16 ve GoogleNet’i (Inception v1 olarak da bilinir) detayl\u0131 bir \u015fekilde inceleyecektir. Her bir mimari, kendi d\u00f6neminde b\u00fcy\u00fck yenilikler getirmi\u015f ve sonraki ara\u015ft\u0131rmalar i\u00e7in zemin haz\u0131rlam\u0131\u015ft\u0131r. Bu modellerin ImageNet B\u00fcy\u00fck \u00d6l\u00e7ekli G\u00f6rsel Tan\u0131ma Yar\u0131\u015fmas\u0131’ndaki (ILSVRC) ba\u015far\u0131lar\u0131, derin \u00f6\u011frenmeye olan ilgiyi art\u0131rm\u0131\u015f ve yapay zeka ara\u015ft\u0131rmalar\u0131n\u0131n seyrini de\u011fi\u015ftirmi\u015ftir. Makale boyunca, her bir mimarinin temel \u00f6zelliklerini, getirdi\u011fi yenilikleri, mimari detaylar\u0131n\u0131 ve derin \u00f6\u011frenme alan\u0131na etkilerini ele alacak, ard\u0131ndan bu \u00fc\u00e7 model aras\u0131nda kar\u015f\u0131la\u015ft\u0131rmal\u0131 bir analiz sunarak g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nlerini de\u011ferlendirece\u011fiz. Bu inceleme, derin \u00f6\u011frenmenin evrimini anlamak ve g\u00fcn\u00fcm\u00fczdeki modern mimarilerin temellerini kavramak i\u00e7in kritik bir bak\u0131\u015f a\u00e7\u0131s\u0131 sa\u011flayacakt\u0131r.<\/p>\n
AlexNet, 2012 y\u0131l\u0131nda Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton taraf\u0131ndan geli\u015ftirilen ve ImageNet B\u00fcy\u00fck \u00d6l\u00e7ekli G\u00f6rsel Tan\u0131ma Yar\u0131\u015fmas\u0131’n\u0131 (ILSVRC) ezici bir farkla kazanarak derin \u00f6\u011frenme alan\u0131nda adeta bir “b\u00fcy\u00fck patlama” etkisi yaratan evri\u015fimsel sinir a\u011f\u0131 mimarisidir. Bu zafer, o zamana kadar bilgisayar g\u00f6r\u00fc\u015f\u00fc alan\u0131nda kullan\u0131lan geleneksel y\u00f6ntemlerin \u00f6tesinde, derin sinir a\u011flar\u0131n\u0131n potansiyelini t\u00fcm d\u00fcnyaya g\u00f6stermi\u015ftir. AlexNet’in ba\u015far\u0131s\u0131, derin \u00f6\u011frenmenin akademik ve end\u00fcstriyel alanda h\u0131zla benimsenmesinin \u00f6n\u00fcn\u00fc a\u00e7m\u0131\u015ft\u0131r.<\/p>\n
2012 y\u0131l\u0131na kadar, bilgisayar g\u00f6r\u00fc\u015f\u00fc alan\u0131nda \u00f6zellik m\u00fchendisli\u011fi (feature engineering) tabanl\u0131 algoritmalar yayg\u0131nd\u0131. SIFT, HOG gibi el yap\u0131m\u0131 \u00f6zellik \u00e7\u0131kar\u0131c\u0131lar kullan\u0131l\u0131yor ve s\u0131n\u0131fland\u0131rma i\u00e7in SVM gibi modeller tercih ediliyordu. Ancak bu y\u00f6ntemler, b\u00fcy\u00fck ve karma\u015f\u0131k veri k\u00fcmelerinde \u00f6l\u00e7eklenebilirlik ve genelleme sorunlar\u0131 ya\u015f\u0131yordu. AlexNet, bu paradigmay\u0131 de\u011fi\u015ftirerek, a\u011f\u0131n kendi ba\u015f\u0131na hiyerar\u015fik \u00f6zellikleri \u00f6\u011frenmesini sa\u011flayan derin bir evri\u015fimsel mimarinin g\u00fcc\u00fcn\u00fc kan\u0131tlad\u0131. ILSVRC 2012’de %15.3’l\u00fck bir hata oran\u0131yla, ikinci s\u0131radaki modelin %26.2’lik hata oran\u0131na k\u0131yasla \u00e7ok daha \u00fcst\u00fcn bir performans sergileyerek, derin \u00f6\u011frenmenin gelece\u011fi i\u00e7in bir d\u00f6n\u00fcm noktas\u0131 oldu.<\/p>\n
AlexNet’in ba\u015far\u0131s\u0131, tek bir yenili\u011fe de\u011fil, bir dizi yenili\u011fin bir araya getirilmesine dayan\u0131yordu:<\/p>\n
* Derinlik:<\/strong> AlexNet, 5 evri\u015fimsel katman ve 3 tam ba\u011flant\u0131l\u0131 katmandan olu\u015fan toplam 8 katmanl\u0131 bir mimariye sahipti. O d\u00f6nemdeki di\u011fer modellere g\u00f6re \u00e7ok daha derin olmas\u0131, karma\u015f\u0131k g\u00f6rsel hiyerar\u015fileri \u00f6\u011frenmesine olanak tan\u0131d\u0131. AlexNet, s\u0131ras\u0131yla a\u015fa\u011f\u0131daki katmanlardan olu\u015fuyordu:<\/p>\n 1. Evri\u015fim Katman\u0131 1:<\/strong> 11×11 boyutunda 96 filtre, 4 ad\u0131m (stride) ile. Ard\u0131ndan ReLU, LRN ve Max-Pooling (3×3, 2 ad\u0131m). AlexNet’in bu katmanl\u0131 yap\u0131s\u0131 ve getirdi\u011fi yenilikler, derin \u00f6\u011frenmenin alt\u0131n \u00e7a\u011f\u0131n\u0131 ba\u015flatm\u0131\u015f ve sonraki mimarilerin temelini atm\u0131\u015ft\u0131r.<\/p>\n VGG16, Oxford \u00dcniversitesi’ndeki G\u00f6rsel Geometri Grubu (Visual Geometry Group) taraf\u0131ndan 2014 y\u0131l\u0131nda geli\u015ftirilen ve ImageNet yar\u0131\u015fmas\u0131nda ikinci s\u0131ray\u0131 alan, ancak mimarisinin sadeli\u011fi ve derinli\u011fi sayesinde b\u00fcy\u00fck etki yaratan bir evri\u015fimsel sinir a\u011f\u0131d\u0131r. AlexNet’in ba\u015far\u0131s\u0131ndan sonra, derin \u00f6\u011frenme toplulu\u011fu, daha derin a\u011flar\u0131n daha iyi performans g\u00f6sterip g\u00f6stermeyece\u011fini ara\u015ft\u0131rmaya ba\u015flad\u0131. VGG ekibi, bu soruyu basit ve zarif bir mimariyle yan\u0131tlad\u0131.<\/p>\n 2014 ILSVRC’de VGG, GoogleNet’in ard\u0131ndan ikinci s\u0131rada yer almas\u0131na ra\u011fmen, mimarisinin netli\u011fi ve mod\u00fcler yap\u0131s\u0131 nedeniyle geni\u015f \u00e7apta benimsenmi\u015ftir. \u00d6zellikle, AlexNet’in nispeten b\u00fcy\u00fck ve \u00e7e\u015fitli \u00e7ekirdek boyutlar\u0131na sahip evri\u015fim katmanlar\u0131n\u0131n aksine, VGG, t\u00fcm evri\u015fim katmanlar\u0131nda yaln\u0131zca 3×3 boyutunda k\u00fc\u00e7\u00fck filtreler kullanarak derinli\u011fi art\u0131rman\u0131n \u00f6nemini vurgulam\u0131\u015ft\u0131r. Bu yakla\u015f\u0131m, daha sonraki bir\u00e7ok mimarinin tasar\u0131m prensiplerini etkilemi\u015ftir. VGG, ayn\u0131 zamanda, \u00f6nceden e\u011fitilmi\u015f (pre-trained) bir model olarak transfer \u00f6\u011frenimi (transfer learning) i\u00e7in pop\u00fcler bir temel haline gelmi\u015ftir.<\/p>\n VGG16’n\u0131n en \u00f6nemli katk\u0131lar\u0131 ve yenilikleri \u015funlard\u0131r:<\/p>\n * Tekd\u00fcze ve K\u00fc\u00e7\u00fck Filtreler (3×3):<\/strong> VGG’nin temel yenili\u011fi, a\u011f boyunca sadece 3×3 boyutunda evri\u015fim filtreleri kullanmas\u0131d\u0131r. Bu, daha b\u00fcy\u00fck filtreler yerine birden fazla k\u00fc\u00e7\u00fck filtrenin art arda istiflenmesinin, ayn\u0131 al\u0131c\u0131 alan\u0131 (receptive field) daha az parametreyle ve daha fazla do\u011frusal olmayanl\u0131k (non-linearity) ile kapsayabilece\u011fini g\u00f6stermi\u015ftir. \u00d6rne\u011fin, iki adet 3×3 filtre \u00fcst \u00fcste kullan\u0131ld\u0131\u011f\u0131nda, 5×5’lik bir al\u0131c\u0131 alan\u0131 elde edilirken, parametre say\u0131s\u0131 tek bir 5×5 filtreden daha az olur. \u00dc\u00e7 adet 3×3 filtre ise 7×7’lik bir al\u0131c\u0131 alan\u0131 sa\u011flar. VGG16, genellikle a\u015fa\u011f\u0131daki blok yap\u0131s\u0131na sahiptir:<\/p>\n * Giri\u015f:<\/strong> 224×224 RGB g\u00f6r\u00fcnt\u00fc. T\u00fcm evri\u015fim katmanlar\u0131nda ReLU aktivasyon fonksiyonu kullan\u0131lm\u0131\u015ft\u0131r. VGG16, parametre say\u0131s\u0131 a\u00e7\u0131s\u0131ndan olduk\u00e7a b\u00fcy\u00fckt\u00fcr (yakla\u015f\u0131k 138 milyon parametre), bu da onu hesaplama a\u00e7\u0131s\u0131ndan yo\u011fun bir model haline getirir. Ancak bu parametre yo\u011funlu\u011fu, elde etti\u011fi y\u00fcksek performansla dengelenmi\u015ftir. VGG’nin basit ama etkili tasar\u0131m\u0131, sonraki nesil evri\u015fimsel a\u011flar i\u00e7in bir ilham kayna\u011f\u0131 olmu\u015ftur.<\/p>\n GoogleNet, 2014 y\u0131l\u0131nda Google taraf\u0131ndan geli\u015ftirilen ve ImageNet B\u00fcy\u00fck \u00d6l\u00e7ekli G\u00f6rsel Tan\u0131ma Yar\u0131\u015fmas\u0131’n\u0131 (ILSVRC) kazanan bir evri\u015fimsel sinir a\u011f\u0131 mimarisidir. AlexNet ve VGG’nin derinli\u011fi art\u0131rma e\u011filiminin aksine, GoogleNet, hem derinli\u011fi art\u0131r\u0131rken hem de hesaplama maliyetini ve parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltmay\u0131 hedeflemi\u015ftir. Bu hedefe ula\u015fmak i\u00e7in “Inception Mod\u00fcl\u00fc” ad\u0131 verilen yenilik\u00e7i bir yap\u0131 kullanm\u0131\u015ft\u0131r.<\/p>\n 2014 ILSVRC’de GoogleNet, %6.67’lik bir hata oran\u0131yla birinci olarak, VGG’yi ve di\u011fer rakiplerini geride b\u0131rakm\u0131\u015ft\u0131r. Bu ba\u015far\u0131, sadece derinlik ve parametre say\u0131s\u0131n\u0131 art\u0131rman\u0131n \u00f6tesinde, a\u011f\u0131n yap\u0131s\u0131n\u0131 daha ak\u0131ll\u0131ca tasarlaman\u0131n \u00f6nemini g\u00f6stermi\u015ftir. GoogleNet, “Going Deeper with Convolutions” adl\u0131 makalede tan\u0131t\u0131lm\u0131\u015f olup, ad\u0131n\u0131 “Inception” filminden alm\u0131\u015ft\u0131r. Mimarisi, daha sonraki Inception v2, v3, v4 ve Inception-ResNet gibi bir\u00e7ok geli\u015fmi\u015f modelin temelini olu\u015fturmu\u015ftur.<\/p>\n GoogleNet’in en \u00f6nemli yenilikleri \u015funlard\u0131r:<\/p>\n * Inception Mod\u00fcl\u00fc:<\/strong> GoogleNet’in kalbinde Inception mod\u00fcl\u00fc yer al\u0131r. Bu mod\u00fcl, ayn\u0131 giri\u015f \u00fczerine farkl\u0131 boyutlarda (1×1, 3×3, 5×5) evri\u015fimler ve max-pooling i\u015flemleri uygulayarak paralel olarak farkl\u0131 seviyelerde \u00f6zellikler \u00f6\u011frenir. Bu \u00f6zellikler daha sonra derinlik boyutunda birle\u015ftirilir (concatenated). Bu sayede a\u011f, hangi \u00e7ekirdek boyutunun belirli bir giri\u015f i\u00e7in en uygun oldu\u011funu kendisi belirleyebilir. Bu, geleneksel tek \u00e7ekirdekli evri\u015fim katmanlar\u0131na k\u0131yasla daha zengin ve \u00e7ok \u00f6l\u00e7ekli \u00f6zellik temsilleri elde etmesini sa\u011flar. GoogleNet, toplamda 22 katmanl\u0131 bir a\u011fd\u0131r (Inception mod\u00fcllerini tek katman olarak sayarsak). Mimarisi, ba\u015flang\u0131\u00e7ta birka\u00e7 geleneksel evri\u015fim ve havuzlama katman\u0131yla ba\u015flar, ard\u0131ndan dokuz adet Inception mod\u00fcl\u00fc art arda istiflenir. Bu mod\u00fcllerin boyutlar\u0131 ve kanal say\u0131lar\u0131, a\u011f\u0131n derinliklerine do\u011fru ilerledik\u00e7e de\u011fi\u015fir.<\/p>\n Bir Inception mod\u00fcl\u00fc genellikle \u015fu paralel dallardan olu\u015fur:<\/p>\n 1. 1×1 evri\u015fim. T\u00fcm bu dallar\u0131n \u00e7\u0131kt\u0131lar\u0131 derinlik boyutunda birle\u015ftirilir. GoogleNet, yakla\u015f\u0131k 5 milyon parametreye sahiptir, bu da AlexNet’in 60 milyon ve VGG16’n\u0131n 138 milyon parametresine k\u0131yasla olduk\u00e7a d\u00fc\u015f\u00fckt\u00fcr. Bu verimlilik, GoogleNet’i daha derin ve daha karma\u015f\u0131k a\u011flar tasarlamak i\u00e7in bir prototip haline getirmi\u015ftir.<\/p>\n AlexNet, VGG16 ve GoogleNet, derin \u00f6\u011frenme alan\u0131nda farkl\u0131 d\u00f6nemlerin ve tasar\u0131m felsefelerinin temsilcileri olarak \u00f6ne \u00e7\u0131kmaktad\u0131r. Bu \u00fc\u00e7 mimariyi kar\u015f\u0131la\u015ft\u0131rmak, evri\u015fimsel sinir a\u011flar\u0131n\u0131n nas\u0131l evrildi\u011fini ve her bir modelin ne t\u00fcr katk\u0131lar sa\u011flad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in \u00f6nemlidir.<\/p>\n ImageNet yar\u0131\u015fmas\u0131 sonu\u00e7lar\u0131na g\u00f6re, bu modellerin kronolojik s\u0131rayla performanslar\u0131 artm\u0131\u015ft\u0131r:<\/p>\n * AlexNet (2012):<\/strong> %15.3 Top-5 hata oran\u0131. GoogleNet, ayn\u0131 y\u0131l yar\u0131\u015fan VGG’den daha iyi performans g\u00f6stererek en d\u00fc\u015f\u00fck hata oran\u0131na ula\u015fm\u0131\u015ft\u0131r. Bu, ak\u0131ll\u0131 mimari tasar\u0131m\u0131n\u0131n sadece derinli\u011fi art\u0131rmaktan daha etkili olabilece\u011fini g\u00f6stermi\u015ftir.<\/p>\n * AlexNet:<\/strong> 8 katmanl\u0131 (5 evri\u015fimsel, 3 tam ba\u011flant\u0131l\u0131). O d\u00f6nemin standartlar\u0131na g\u00f6re derin bir a\u011fd\u0131. Parametre say\u0131s\u0131, modelin bellekte kaplad\u0131\u011f\u0131 alan\u0131 ve potansiyel a\u015f\u0131r\u0131 \u00f6\u011frenme e\u011filimini g\u00f6sterir:<\/p>\n * AlexNet:<\/strong> Yakla\u015f\u0131k 60 milyon parametre. GoogleNet’in VGG’den \u00e7ok daha az parametreyle daha iyi performans g\u00f6stermesi, a\u011f tasar\u0131m\u0131nda verimlili\u011fin ne kadar \u00f6nemli oldu\u011funu vurgulam\u0131\u015ft\u0131r.<\/p>\n * AlexNet:<\/strong> GPU kullan\u0131m\u0131n\u0131 pop\u00fclerle\u015ftirdi, ancak hala y\u00fcksek hesaplama maliyetine sahipti. * AlexNet:<\/strong> Derinli\u011fi, ReLU aktivasyonunu, Dropout’u ve GPU kullan\u0131m\u0131n\u0131 pop\u00fclerle\u015ftirdi. Derin \u00f6\u011frenmenin uygulanabilirli\u011fini kan\u0131tlad\u0131. Felsefesi: “Daha derin ol, GPU kullan ve modern teknikleri birle\u015ftir.” Her \u00fc\u00e7 model de, derin \u00f6\u011frenme alan\u0131nda sonraki ara\u015ft\u0131rmalar i\u00e7in temel te\u015fkil etmi\u015ftir. AlexNet, derin \u00f6\u011frenme devrimini ba\u015flat\u0131rken, VGG16, transfer \u00f6\u011frenimi i\u00e7in pop\u00fcler bir \u00f6zellik \u00e7\u0131kar\u0131c\u0131 haline gelmi\u015f ve derinlik ile k\u00fc\u00e7\u00fck filtrelerin \u00f6nemini vurgulam\u0131\u015ft\u0131r. GoogleNet ise, verimlilik odakl\u0131 mimari tasar\u0131m\u0131na \u00f6nc\u00fcl\u00fck etmi\u015f ve Inception mod\u00fcl\u00fc, ResNet ve DenseNet gibi daha sonraki karma\u015f\u0131k a\u011flar\u0131n geli\u015fimine ilham vermi\u015ftir. G\u00fcn\u00fcm\u00fczde bile bu modeller, \u00f6zellikle VGG ve Inception, bir\u00e7ok bilgisayar g\u00f6r\u00fc\u015f\u00fc uygulamas\u0131nda \u00f6nceden e\u011fitilmi\u015f modeller olarak yayg\u0131n bir \u015fekilde kullan\u0131lmaktad\u0131r.<\/p>\n Derin \u00f6\u011frenme alan\u0131ndaki h\u0131zl\u0131 ilerleme, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde AlexNet, VGG16 ve GoogleNet gibi \u00e7\u0131\u011f\u0131r a\u00e7an mimarilerin katk\u0131lar\u0131yla m\u00fcmk\u00fcn olmu\u015ftur. Bu \u00fc\u00e7 model, evri\u015fimsel sinir a\u011flar\u0131n\u0131n evriminde \u00f6nemli kilometre ta\u015flar\u0131n\u0131 temsil etmekte ve her biri kendi d\u00f6neminde bilgisayar g\u00f6r\u00fc\u015f\u00fc problemlerine yenilik\u00e7i \u00e7\u00f6z\u00fcmler sunmu\u015ftur.<\/p>\n AlexNet, 2012 y\u0131l\u0131ndaki ImageNet zaferiyle derin \u00f6\u011frenme devrimini ba\u015flatm\u0131\u015f, ReLU aktivasyon fonksiyonlar\u0131, Dropout ve GPU h\u0131zland\u0131rma gibi teknikleri pop\u00fclerle\u015ftirerek derin a\u011flar\u0131n pratikli\u011fini kan\u0131tlam\u0131\u015ft\u0131r. Bu ba\u015far\u0131, t\u00fcm yapay zeka toplulu\u011funun dikkatini derin \u00f6\u011frenmeye \u00e7evirmesine neden olmu\u015ftur.<\/p>\n VGG16, 2014 y\u0131l\u0131nda AlexNet’in ard\u0131ndan, daha basit ve tekd\u00fcze bir mimariyle derinli\u011fin g\u00fcc\u00fcn\u00fc g\u00f6stermi\u015ftir. A\u011f genelinde sadece 3×3 boyutunda k\u00fc\u00e7\u00fck evri\u015fim filtreleri kullanarak, daha derin katmanlar\u0131n daha zengin ve hiyerar\u015fik \u00f6zellik temsilleri \u00f6\u011frenebilece\u011fini ortaya koymu\u015ftur. VGG’nin zarif ve mod\u00fcler yap\u0131s\u0131, sonraki ara\u015ft\u0131rmac\u0131lar i\u00e7in bir referans noktas\u0131 haline gelmi\u015f ve transfer \u00f6\u011frenimi i\u00e7in pop\u00fcler bir temel model olmu\u015ftur.<\/p>\n Ayn\u0131 y\u0131l\u0131n ImageNet \u015fampiyonu olan GoogleNet (Inception v1), derinli\u011fi ve geni\u015fli\u011fi art\u0131r\u0131rken hesaplama verimlili\u011fini koruma konusunda devrim niteli\u011finde bir yakla\u015f\u0131m sergilemi\u015ftir. Inception mod\u00fcl\u00fc, farkl\u0131 \u00f6l\u00e7eklerdeki \u00f6zellikleri paralel olarak i\u015fleyerek a\u011f\u0131n daha ak\u0131ll\u0131ca \u00f6\u011frenmesini sa\u011flam\u0131\u015f, 1×1 evri\u015fimler ise parametre say\u0131s\u0131n\u0131 ve hesaplama maliyetini \u00f6nemli \u00f6l\u00e7\u00fcde azaltm\u0131\u015ft\u0131r. Global Average Pooling’in kullan\u0131m\u0131 da modelin a\u015f\u0131r\u0131 \u00f6\u011frenmeye kar\u015f\u0131 direncini art\u0131rm\u0131\u015ft\u0131r.<\/p>\n Bu modellerin her biri, derin \u00f6\u011frenme literat\u00fcr\u00fcne paha bi\u00e7ilmez katk\u0131larda bulunmu\u015ftur. AlexNet, derin a\u011flar\u0131n potansiyelini g\u00f6sterirken, VGG16 derinli\u011fin ve basitli\u011fin \u00f6nemini vurgulam\u0131\u015f, GoogleNet ise verimli ve ak\u0131ll\u0131ca tasarlanm\u0131\u015f mimarilerin ne kadar g\u00fc\u00e7l\u00fc olabilece\u011fini kan\u0131tlam\u0131\u015ft\u0131r. Bu erken d\u00f6nem mimarileri, ResNet, DenseNet, EfficientNet ve Transformer tabanl\u0131 modeller gibi daha sonraki karma\u015f\u0131k ve y\u00fcksek performansl\u0131 a\u011flar\u0131n geli\u015ftirilmesi i\u00e7in sa\u011flam bir temel olu\u015fturmu\u015ftur.<\/p>\n G\u00fcn\u00fcm\u00fczde, yapay zeka ara\u015ft\u0131rmalar\u0131 bu temeller \u00fczerine in\u015fa edilerek s\u00fcrekli olarak yeni s\u0131n\u0131rlar zorlamaktad\u0131r. Ancak, derin \u00f6\u011frenmenin bu heyecan verici yolculu\u011funu anlamak i\u00e7in, AlexNet, VGG16 ve GoogleNet gibi \u00f6nc\u00fclerin getirdi\u011fi yenilikleri ve felsefeleri kavramak hayati \u00f6neme sahiptir. Bu modeller, sadece tarihsel \u00f6neme sahip olmakla kalmay\u0131p, g\u00fcn\u00fcm\u00fczdeki bir\u00e7ok pratik uygulamada hala kullan\u0131lmakta ve ara\u015ft\u0131rmac\u0131lara ilham vermektedir. Derin \u00f6\u011frenmenin gelece\u011fi, bu \u00f6nc\u00fclerin a\u00e7t\u0131\u011f\u0131 yolda, daha verimli, daha g\u00fc\u00e7l\u00fc ve daha genellenebilir yapay zeka sistemleri geli\u015ftirmeye devam edecektir.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Derin \u00d6\u011frenme Mimarilerinin Pop\u00fcler \u00d6rnekleri: AlexNet, VGG16 ve GoogleNet’e Genel Bak\u0131\u015f\nDerin \u00f6\u011frenme, yapay zeka alan\u0131nda son y\u0131llar\u0131n e","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-31926","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n* ReLU Aktivasyon Fonksiyonu:<\/strong> Geleneksel sigmoid ve hiperbolik tanjant (tanh) fonksiyonlar\u0131n\u0131n aksine, AlexNet’te ilk kez yo\u011fun bir \u015fekilde Rectified Linear Unit (ReLU) aktivasyon fonksiyonu kullan\u0131ld\u0131. ReLU, t\u00fcrev alma i\u015flemlerini basitle\u015ftirerek ve “vanishing gradient” (kaybolan gradyan) sorununu azaltarak a\u011flar\u0131n \u00e7ok daha h\u0131zl\u0131 e\u011fitilmesini sa\u011flad\u0131.
\n* Veri Art\u0131rma (Data Augmentation):<\/strong> B\u00fcy\u00fck bir veri k\u00fcmesi olan ImageNet’in bile a\u015f\u0131r\u0131 \u00f6\u011frenmeyi (overfitting) \u00f6nlemek i\u00e7in yetersiz kalabilece\u011fi d\u00fc\u015f\u00fcncesiyle, AlexNet, e\u011fitim verilerini rastgele k\u0131rpma, yatay \u00e7evirme ve RGB kanal yo\u011funluklar\u0131n\u0131 de\u011fi\u015ftirme gibi tekniklerle art\u0131rarak modelin genelleme yetene\u011fini geli\u015ftirdi.
\n* Dropout:<\/strong> Tam ba\u011flant\u0131l\u0131 katmanlarda yayg\u0131n olarak kullan\u0131lan Dropout tekni\u011fi, e\u011fitim s\u0131ras\u0131nda rastgele n\u00f6ronlar\u0131 devre d\u0131\u015f\u0131 b\u0131rakarak a\u011f\u0131n farkl\u0131 alt a\u011flar \u00f6\u011frenmesini sa\u011flad\u0131. Bu, a\u015f\u0131r\u0131 \u00f6\u011frenmeyi azaltan g\u00fc\u00e7l\u00fc bir d\u00fczenlile\u015ftirme (regularization) y\u00f6ntemiydi ve modelin farkl\u0131 \u00f6zellik kombinasyonlar\u0131na ba\u011f\u0131ml\u0131l\u0131\u011f\u0131n\u0131 engelledi.
\n* GPU Kullan\u0131m\u0131:<\/strong> AlexNet, iki NVIDIA GTX 580 GPU \u00fczerinde e\u011fitildi. Bu, o zamana kadar CPU’larda g\u00fcnlerce s\u00fcren e\u011fitim s\u00fcrelerini haftalara, hatta aylara \u00e7\u0131karabilecek karma\u015f\u0131k modellerin daha makul s\u00fcrelerde e\u011fitilmesini m\u00fcmk\u00fcn k\u0131ld\u0131. GPU’lar\u0131n paralel i\u015flem yetenekleri, derin \u00f6\u011frenmenin \u00f6l\u00e7eklenebilirli\u011fi i\u00e7in hayati bir rol oynad\u0131.
\n* Yerel Yan\u0131t Normalizasyonu (Local Response Normalization – LRN):<\/strong> AlexNet’te kullan\u0131lan LRN katmanlar\u0131, kom\u015fu n\u00f6ronlar\u0131n aktivasyonlar\u0131n\u0131 normalize ederek rekabet\u00e7i bir mekanizma yaratmay\u0131 ama\u00e7l\u0131yordu. Ancak sonraki \u00e7al\u0131\u015fmalarda LRN’nin etkisi tart\u0131\u015fmal\u0131 bulunmu\u015f ve modern mimarilerde genellikle kullan\u0131lmam\u0131\u015ft\u0131r.<\/p>\nMimari Detaylar\u0131<\/h4>\n
\n2. Evri\u015fim Katman\u0131 2:<\/strong> 5×5 boyutunda 256 filtre, 1 ad\u0131m. Ard\u0131ndan ReLU, LRN ve Max-Pooling (3×3, 2 ad\u0131m).
\n3. Evri\u015fim Katman\u0131 3:<\/strong> 3×3 boyutunda 384 filtre, 1 ad\u0131m. Ard\u0131ndan ReLU.
\n4. Evri\u015fim Katman\u0131 4:<\/strong> 3×3 boyutunda 384 filtre, 1 ad\u0131m. Ard\u0131ndan ReLU.
\n5. Evri\u015fim Katman\u0131 5:<\/strong> 3×3 boyutunda 256 filtre, 1 ad\u0131m. Ard\u0131ndan ReLU ve Max-Pooling (3×3, 2 ad\u0131m).
\n6. Tam Ba\u011flant\u0131l\u0131 Katman 6:<\/strong> 4096 n\u00f6ron. Ard\u0131ndan ReLU ve Dropout.
\n7. Tam Ba\u011flant\u0131l\u0131 Katman 7:<\/strong> 4096 n\u00f6ron. Ard\u0131ndan ReLU ve Dropout.
\n8. \u00c7\u0131k\u0131\u015f Katman\u0131:<\/strong> 1000 s\u0131n\u0131f i\u00e7in Softmax aktivasyonlu 1000 n\u00f6ron.<\/p>\nVGG16: Derinli\u011fin ve Tekrarlayan Yap\u0131n\u0131n G\u00fcc\u00fc<\/h3>\n
Tarihsel Ba\u011flam ve \u00d6nemi<\/h4>\n
Temel Yenilikler ve Katk\u0131lar<\/h4>\n
\n* Art\u0131r\u0131lm\u0131\u015f Derinlik:<\/strong> VGG16 (16 katmanl\u0131) ve VGG19 (19 katmanl\u0131) gibi varyantlar, o zamana kadar geli\u015ftirilen en derin a\u011flardand\u0131. Bu derinlik, a\u011f\u0131n daha karma\u015f\u0131k ve hiyerar\u015fik \u00f6zellik temsillerini \u00f6\u011frenmesini sa\u011flam\u0131\u015ft\u0131r. VGG, derinli\u011fin performans art\u0131\u015f\u0131nda kritik bir fakt\u00f6r oldu\u011funu a\u00e7\u0131k\u00e7a ortaya koymu\u015ftur.
\n* Basit ve Mod\u00fcler Tasar\u0131m:<\/strong> VGG’nin mimarisi, belirli say\u0131da 3×3 evri\u015fim katman\u0131n\u0131n ard\u0131ndan bir max-pooling katman\u0131 gelmesi prensibine dayan\u0131r. Bu tekrarlayan ve mod\u00fcler yap\u0131, VGG’yi anla\u015f\u0131lmas\u0131 ve uygulanmas\u0131 kolay bir model haline getirmi\u015ftir. Bu sadelik, ara\u015ft\u0131rmac\u0131lar\u0131n derinli\u011fin etkisini daha net bir \u015fekilde incelemesine olanak tan\u0131m\u0131\u015ft\u0131r.
\n* Yo\u011fun Kullan\u0131lan Max-Pooling:<\/strong> VGG, her birka\u00e7 evri\u015fim katman\u0131ndan sonra 2×2 boyutunda max-pooling katmanlar\u0131 kullanarak uzamsal boyutlar\u0131 (spatial dimensions) azaltm\u0131\u015f ve a\u011f\u0131n \u00f6zellik haritalar\u0131n\u0131 daha soyut hale getirmi\u015ftir.<\/p>\nMimari Detaylar\u0131<\/h4>\n
\n* Blok 1:<\/strong> \u0130ki adet 3×3 evri\u015fim katman\u0131 (64 filtre), ard\u0131ndan 2×2 Max-Pooling.
\n* Blok 2:<\/strong> \u0130ki adet 3×3 evri\u015fim katman\u0131 (128 filtre), ard\u0131ndan 2×2 Max-Pooling.
\n* Blok 3:<\/strong> \u00dc\u00e7 adet 3×3 evri\u015fim katman\u0131 (256 filtre), ard\u0131ndan 2×2 Max-Pooling.
\n* Blok 4:<\/strong> \u00dc\u00e7 adet 3×3 evri\u015fim katman\u0131 (512 filtre), ard\u0131ndan 2×2 Max-Pooling.
\n* Blok 5:<\/strong> \u00dc\u00e7 adet 3×3 evri\u015fim katman\u0131 (512 filtre), ard\u0131ndan 2×2 Max-Pooling.
\n* Tam Ba\u011flant\u0131l\u0131 Katmanlar:<\/strong> \u00dc\u00e7 adet tam ba\u011flant\u0131l\u0131 katman (FC): \u0130lk ikisi 4096 n\u00f6ronlu, sonuncusu 1000 s\u0131n\u0131f i\u00e7in Softmax aktivasyonlu 1000 n\u00f6ronlu.<\/p>\nGoogleNet (Inception v1): Verimlilik ve Geni\u015fli\u011fin Bulu\u015fmas\u0131<\/h3>\n
Tarihsel Ba\u011flam ve \u00d6nemi<\/h4>\n
Temel Yenilikler ve Katk\u0131lar<\/h4>\n
\n* 1×1 Evri\u015fimler (Bottleneck Katmanlar\u0131):<\/strong> Inception mod\u00fcl\u00fc i\u00e7indeki en kritik yeniliklerden biri, 1×1 evri\u015fim katmanlar\u0131n\u0131n kullan\u0131lmas\u0131d\u0131r. Bu katmanlar, daha b\u00fcy\u00fck evri\u015fimlerden (3×3 veya 5×5) \u00f6nce kanal say\u0131s\u0131n\u0131 (derinli\u011fi) azaltarak hesaplama maliyetini ve parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde d\u00fc\u015f\u00fcr\u00fcr. \u00d6rne\u011fin, 256 kanall\u0131 bir giri\u015fe 5×5 evri\u015fim uygulamak yerine, \u00f6nce 1×1 evri\u015fimle kanal say\u0131s\u0131n\u0131 64’e d\u00fc\u015f\u00fcr\u00fcp sonra 5×5 evri\u015fim uygulamak, i\u015flem y\u00fck\u00fcn\u00fc b\u00fcy\u00fck \u00f6l\u00e7\u00fcde hafifletir. Bu “bottleneck” (\u015fi\u015fe bo\u011faz\u0131) katmanlar\u0131, a\u011f\u0131n geni\u015flemesine ra\u011fmen verimli kalmas\u0131n\u0131 sa\u011flam\u0131\u015ft\u0131r.
\n* Yard\u0131mc\u0131 S\u0131n\u0131fland\u0131r\u0131c\u0131lar (Auxiliary Classifiers):<\/strong> GoogleNet, \u00e7ok derin bir a\u011f oldu\u011fu i\u00e7in, e\u011fitim s\u0131ras\u0131nda gradyanlar\u0131n kaybolmas\u0131 (vanishing gradient) sorununu hafifletmek amac\u0131yla orta katmanlara ek “yard\u0131mc\u0131” s\u0131n\u0131fland\u0131r\u0131c\u0131lar eklemi\u015ftir. Bu yard\u0131mc\u0131 \u00e7\u0131k\u0131\u015flar, ana \u00e7\u0131k\u0131\u015f katman\u0131 gibi \u00e7al\u0131\u015f\u0131r ve toplam kay\u0131p fonksiyonuna katk\u0131da bulunur. Bu sayede, gradyanlar a\u011f\u0131n daha derin k\u0131s\u0131mlar\u0131na daha iyi yay\u0131labilir. \u00c7\u0131kar\u0131m (inference) a\u015famas\u0131nda bu yard\u0131mc\u0131 s\u0131n\u0131fland\u0131r\u0131c\u0131lar kald\u0131r\u0131l\u0131r.
\n* Global Ortalama Havuzlama (Global Average Pooling – GAP):<\/strong> Geleneksel olarak, evri\u015fimsel katmanlardan sonra \u00f6zellik haritalar\u0131 d\u00fczle\u015ftirilir ve bir veya daha fazla tam ba\u011flant\u0131l\u0131 katmana beslenir. GoogleNet, bu tam ba\u011flant\u0131l\u0131 katmanlar\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde Global Average Pooling ile de\u011fi\u015ftirmi\u015ftir. GAP, her \u00f6zellik haritas\u0131n\u0131n ortalamas\u0131n\u0131 alarak tek bir skaler de\u011fer \u00fcretir. Bu, parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r, a\u015f\u0131r\u0131 \u00f6\u011frenmeyi engeller ve modelin yorumlanabilirli\u011fini art\u0131r\u0131r.<\/p>\nMimari Detaylar\u0131<\/h4>\n
\n2. 1×1 evri\u015fim (bottleneck) ard\u0131ndan 3×3 evri\u015fim.
\n3. 1×1 evri\u015fim (bottleneck) ard\u0131ndan 5×5 evri\u015fim.
\n4. 3×3 Max-Pooling ard\u0131ndan 1×1 evri\u015fim (bottleneck).<\/p>\nKar\u015f\u0131la\u015ft\u0131rmal\u0131 Analiz<\/h3>\n
Performans<\/h4>\n
\n* VGG16 (2014):<\/strong> %7.3 Top-5 hata oran\u0131 (VGGNet-19 i\u00e7in daha iyi sonu\u00e7lar elde edildi).
\n* GoogleNet (2014):<\/strong> %6.67 Top-5 hata oran\u0131.<\/p>\nDerinlik ve Karma\u015f\u0131kl\u0131k<\/h4>\n
\n* VGG16:<\/strong> 16 katmanl\u0131 (13 evri\u015fimsel, 3 tam ba\u011flant\u0131l\u0131). Derinli\u011fin saf g\u00fcc\u00fcn\u00fc g\u00f6steren bir modeldi.
\n* GoogleNet:<\/strong> 22 katmanl\u0131 (Inception mod\u00fclleri dahil). En derin a\u011f olmas\u0131na ra\u011fmen, Inception mod\u00fcllerinin verimlili\u011fi sayesinde hesaplama a\u00e7\u0131s\u0131ndan daha hafif kalm\u0131\u015ft\u0131r.<\/p>\nParametre Say\u0131s\u0131<\/h4>\n
\n* VGG16:<\/strong> Yakla\u015f\u0131k 138 milyon parametre. En fazla parametreye sahip modeldir. Bu, VGG’nin b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131n tam ba\u011flant\u0131l\u0131 katmanlardan kaynakland\u0131\u011f\u0131n\u0131 g\u00f6stermektedir.
\n* GoogleNet:<\/strong> Yakla\u015f\u0131k 5 milyon parametre. En az parametreye sahip modeldir. 1×1 evri\u015fimler ve Global Average Pooling kullan\u0131m\u0131 sayesinde b\u00fcy\u00fck bir verimlilik sa\u011flam\u0131\u015ft\u0131r.<\/p>\nHesaplama Maliyeti<\/h4>\n
\n* VGG16:<\/strong> Y\u00fcksek parametre say\u0131s\u0131 nedeniyle en yo\u011fun hesaplama maliyetine sahip modellerden biridir. \u00d6zellikle tam ba\u011flant\u0131l\u0131 katmanlar b\u00fcy\u00fck bir y\u00fck olu\u015fturur.
\n* GoogleNet:<\/strong> Inception mod\u00fclleri ve 1×1 evri\u015fimler sayesinde hesaplama a\u00e7\u0131s\u0131ndan en verimli modeldir. Bu, mobil cihazlar veya s\u0131n\u0131rl\u0131 kaynaklara sahip ortamlar i\u00e7in daha uygun olmas\u0131n\u0131 sa\u011flam\u0131\u015ft\u0131r.<\/p>\nYenilikler ve Felsefe<\/h4>\n
\n* VGG16:<\/strong> K\u00fc\u00e7\u00fck (3×3) ve tekd\u00fcze filtrelerin tekrar tekrar istiflenmesiyle derinli\u011fin faydalar\u0131n\u0131 g\u00f6sterdi. Felsefesi: “Basit, mod\u00fcler ve \u00e7ok derin ol.”
\n* GoogleNet:<\/strong> Inception mod\u00fclleriyle a\u011f\u0131n hem derinli\u011fini hem de geni\u015fli\u011fini art\u0131r\u0131rken, 1×1 evri\u015fimlerle verimlili\u011fi sa\u011flad\u0131. Tam ba\u011flant\u0131l\u0131 katmanlar\u0131 Global Average Pooling ile de\u011fi\u015ftirerek parametre say\u0131s\u0131n\u0131 azaltt\u0131. Felsefesi: “Daha ak\u0131ll\u0131 ol, farkl\u0131 \u00f6l\u00e7eklerde \u00f6zellikleri paralel \u00f6\u011fren ve hesaplama maliyetini optimize et.”<\/p>\nKullan\u0131m Alanlar\u0131 ve Etkileri<\/h4>\n
Sonu\u00e7<\/h3>\n