Makine \u00f6\u011frenimi (ML) ve derin \u00f6\u011frenme (DL) alan\u0131ndaki h\u0131zl\u0131 geli\u015fmeler, bu teknolojilerin potansiyelini her zamankinden daha eri\u015filebilir k\u0131l\u0131yor. Ancak, bu potansiyeli tam olarak kullanmak genellikle karma\u015f\u0131k altyap\u0131 kurulumlar\u0131, kaynak y\u00f6netimi, i\u015fbirli\u011fi zorluklar\u0131 ve modellerin da\u011f\u0131t\u0131m\u0131 gibi engellerle kar\u015f\u0131la\u015fmak anlam\u0131na gelir. \u0130\u015fte tam bu noktada Gradient by Paperspace gibi bulut tabanl\u0131 platformlar devreye girerek, veri bilimcilerin ve ML m\u00fchendislerinin bu zorluklar\u0131n \u00fcstesinden gelmesine yard\u0131mc\u0131 oluyor.<\/p>\n
Bu makale, Gradient platformu ile tan\u0131\u015fmak isteyen herkes i\u00e7in kapsaml\u0131 bir ba\u015flang\u0131\u00e7 rehberi niteli\u011findedir. Platformun temel \u00f6zelliklerinden hesap kurulumuna, etkile\u015fimli not defterlerinden otomatik i\u015f ak\u0131\u015flar\u0131na, veri y\u00f6netiminden model takibine kadar bir\u00e7ok konuyu ad\u0131m ad\u0131m inceleyece\u011fiz. Amac\u0131m\u0131z, Gradient’in sundu\u011fu olanaklar\u0131 ke\u015ffetmenize ve makine \u00f6\u011frenimi projelerinizi daha verimli bir \u015fekilde y\u00fcr\u00fctmeye ba\u015flaman\u0131za yard\u0131mc\u0131 olmakt\u0131r.<\/p>\n
Gradient by Paperspace, makine \u00f6\u011frenimi ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fcn t\u00fcm a\u015famalar\u0131n\u0131 kapsayan, bulut tabanl\u0131 bir geli\u015ftirme platformudur. Temel olarak, ML projelerini ba\u015flatmaktan, e\u011fitmeye, izlemeye ve da\u011f\u0131tmaya kadar ge\u00e7en s\u00fcreci basitle\u015ftirmeyi hedefler. Geleneksel olarak, bir ML projesi geli\u015ftirmek i\u00e7in g\u00fc\u00e7l\u00fc donan\u0131m temin etmek, yaz\u0131l\u0131m ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 y\u00f6netmek, ortamlar\u0131 kurmak ve veri setlerini organize etmek gibi zaman al\u0131c\u0131 ve karma\u015f\u0131k g\u00f6revlerle u\u011fra\u015fmak gerekebilir. Gradient, bu operasyonel y\u00fck\u00fc ortadan kald\u0131rarak geli\u015ftiricilerin ve ara\u015ft\u0131rmac\u0131lar\u0131n do\u011frudan model geli\u015ftirmeye odaklanmas\u0131n\u0131 sa\u011flar.<\/p>\n
Peki, Gradient’i kullanmak size ne gibi avantajlar sunar?<\/p>\n
* H\u0131z ve Esneklik:<\/strong> \u0130htiya\u00e7 duydu\u011funuz anda GPU’lara ve di\u011fer hesaplama kaynaklar\u0131na an\u0131nda eri\u015fim sa\u011flars\u0131n\u0131z. Donan\u0131m sat\u0131n alma veya kurulum bekleme derdi olmaz. Gradient, bireysel veri bilimcilerinden b\u00fcy\u00fck kurumsal ekiplere kadar geni\u015f bir kullan\u0131c\u0131 kitlesine hitap eder. \u00d6zellikle h\u0131zl\u0131 prototipleme, b\u00fcy\u00fck \u00f6l\u00e7ekli model e\u011fitimi ve otomatik ML i\u015f ak\u0131\u015flar\u0131 olu\u015fturma ihtiyac\u0131 olanlar i\u00e7in ideal bir \u00e7\u00f6z\u00fcmd\u00fcr.<\/p>\n Gradient platformunu etkin bir \u015fekilde kullanabilmek i\u00e7in baz\u0131 temel bile\u015fenleri ve kavramlar\u0131 anlamak \u00f6nemlidir:<\/p>\n * Projeler (Projects):<\/strong> Gradient’teki t\u00fcm kaynaklar\u0131n\u0131z\u0131 organize etti\u011finiz ana birimdir. Not defterleri, i\u015f ak\u0131\u015flar\u0131, veri setleri ve modeller belirli bir proje alt\u0131nda grupland\u0131r\u0131l\u0131r. Bu, \u00f6zellikle birden fazla proje \u00fczerinde \u00e7al\u0131\u015fan veya bir ekiple i\u015fbirli\u011fi yapan kullan\u0131c\u0131lar i\u00e7in d\u00fczen sa\u011flar. Gradient platformunu kullanmaya ba\u015flamak i\u00e7in \u00f6ncelikle bir hesap olu\u015fturman\u0131z gerekir.<\/p>\n 1. Kay\u0131t Olma:<\/strong> Paperspace web sitesine (paperspace.com) gidin ve “Sign Up” veya “Get Started” butonuna t\u0131klay\u0131n. E-posta adresinizle, Google hesab\u0131n\u0131zla veya GitHub hesab\u0131n\u0131zla kolayca kay\u0131t olabilirsiniz. Gradient Not Defterleri, JupyterLab aray\u00fcz\u00fcn\u00fc kullanarak etkile\u015fimli makine \u00f6\u011frenimi geli\u015ftirmesi yapman\u0131z\u0131 sa\u011flayan g\u00fc\u00e7l\u00fc ara\u00e7lard\u0131r. Veri ke\u015ffi, h\u0131zl\u0131 prototipleme ve model hata ay\u0131klama i\u00e7in m\u00fckemmeldirler.<\/p>\n 1. “Create Notebook” Butonu:<\/strong> Kontrol panelinde “Notebooks” sekmesine gidin veya sol men\u00fcden “Notebooks” se\u00e7ene\u011fini t\u0131klay\u0131n. Ard\u0131ndan “Create Notebook” butonuna bas\u0131n. Not defteri ba\u015flat\u0131ld\u0131\u011f\u0131nda, taray\u0131c\u0131n\u0131zda JupyterLab aray\u00fcz\u00fc a\u00e7\u0131lacakt\u0131r.<\/p>\n * Kod H\u00fccreleri:<\/strong> Python kodunuzu yaz\u0131p \u00e7al\u0131\u015ft\u0131rabilirsiniz. Gradient’te kaynaklar saatlik olarak \u00fccretlendirildi\u011fi i\u00e7in, not defterinizi kullanmay\u0131 bitirdi\u011finizde onu durdurman\u0131z \u00e7ok \u00f6nemlidir.<\/p>\n 1. Not Defteri Listesi:<\/strong> Kontrol panelinde “Notebooks” sekmesine geri d\u00f6n\u00fcn. Gradient Workflows (\u0130\u015f Ak\u0131\u015flar\u0131), makine \u00f6\u011frenimi e\u011fitim s\u00fcre\u00e7lerini, veri i\u015fleme boru hatlar\u0131n\u0131 veya model de\u011ferlendirme g\u00f6revlerini otomatikle\u015ftirmenizi ve \u00f6l\u00e7eklendirmenizi sa\u011flar. Not defterlerinden farkl\u0131 olarak, i\u015f ak\u0131\u015flar\u0131 interaktif de\u011fildir; belirli bir komutu veya beti\u011fi belirli bir Docker imaj\u0131 \u00fczerinde, belirli kaynaklar\u0131 kullanarak \u00e7al\u0131\u015ft\u0131r\u0131r ve tamamland\u0131\u011f\u0131nda durur. Bu, tekrarlanabilir ve \u00fcretim d\u00fczeyinde ML g\u00f6revleri i\u00e7in idealdir.<\/p>\n \u0130\u015f ak\u0131\u015flar\u0131 genellikle YAML dosyalar\u0131 ile tan\u0131mlan\u0131r. Bu YAML dosyas\u0131, i\u015f ak\u0131\u015f\u0131n\u0131n ad\u0131n\u0131, hangi projeye ait oldu\u011funu, \u00e7al\u0131\u015ft\u0131r\u0131lacak i\u015fleri (jobs), her bir i\u015fin hangi Docker imaj\u0131n\u0131 kullanaca\u011f\u0131n\u0131, hangi komutlar\u0131 \u00e7al\u0131\u015ft\u0131raca\u011f\u0131n\u0131, hangi kaynaklar\u0131 (CPU\/GPU) gerektirdi\u011fini ve hangi veri setlerini veya modelleri kullanaca\u011f\u0131n\u0131\/\u00e7\u0131kt\u0131 olarak \u00fcretece\u011fini belirtir.<\/p>\n 1. “Create Workflow” Butonu:<\/strong> Kontrol panelinde “Workflows” sekmesine gidin ve “Create Workflow” butonuna t\u0131klay\u0131n. * 3. Kodu Y\u00fckleme:<\/strong> \u0130\u015f ak\u0131\u015f\u0131n\u0131z\u0131n \u00e7al\u0131\u015ft\u0131raca\u011f\u0131 \u0130\u015f ak\u0131\u015f\u0131 ba\u015flat\u0131ld\u0131ktan sonra, “Workflows” sekmesinde durumunu izleyebilirsiniz:<\/p>\n * Durum (Status):<\/strong> \u0130\u015f ak\u0131\u015f\u0131n\u0131n Veri, makine \u00f6\u011frenimi projelerinin temelidir. Gradient Datasets, veri setlerinizi merkezi bir yerde depolaman\u0131z\u0131, versiyonlaman\u0131z\u0131 ve kolayca not defterlerinize veya i\u015f ak\u0131\u015flar\u0131n\u0131za ba\u011flaman\u0131z\u0131 sa\u011flar.<\/p>\n 1. Yeni Bir Veri Seti Olu\u015fturma:<\/strong> Kontrol panelinde “Datasets” sekmesine gidin ve “Create Dataset” butonuna t\u0131klay\u0131n. Veri setinize bir isim verin ve ait oldu\u011fu projeyi se\u00e7in. E\u011fitilmi\u015f modellerinizi takip etmek, versiyonlamak ve da\u011f\u0131t\u0131ma haz\u0131rlamak, ML projelerinin \u00f6nemli bir par\u00e7as\u0131d\u0131r. Gradient Models, bu s\u00fcreci basitle\u015ftirir.<\/p>\n 1. Model Kaydetme:<\/strong> Bir not defterinde veya i\u015f ak\u0131\u015f\u0131nda modelinizi e\u011fittikten sonra, onu Gradient Models’a kaydedebilirsiniz. \u00d6rne\u011fin, bir i\u015f ak\u0131\u015f\u0131nda Gradient platformunda farkl\u0131 ihtiya\u00e7lara y\u00f6nelik \u00e7e\u015fitli hesaplama kaynaklar\u0131 (CPU ve GPU \u00f6rnekleri) bulunur. Bu kaynaklar\u0131 etkin bir \u015fekilde y\u00f6netmek hem performans hem de maliyet a\u00e7\u0131s\u0131ndan \u00f6nemlidir.<\/p>\n * \u00d6rnek Tipleri:<\/strong> Gradient, farkl\u0131 CPU ve GPU konfig\u00fcrasyonlar\u0131 sunar. \u00d6rne\u011fin: Gradient platformu ile yeni tan\u0131\u015fanlar i\u00e7in baz\u0131 en iyi uygulamalar, \u00f6\u011frenme s\u00fcrecini h\u0131zland\u0131racak ve potansiyel sorunlar\u0131 minimize edecektir:<\/p>\n 1. K\u00fc\u00e7\u00fck Ba\u015flay\u0131n:<\/strong> Platforma al\u0131\u015fmak i\u00e7in k\u00fc\u00e7\u00fck veri setleri ve daha az karma\u015f\u0131k modellerle ba\u015flay\u0131n. Temel \u00f6zellikleri (not defteri ba\u015flatma, basit bir betik \u00e7al\u0131\u015ft\u0131rma, veri seti ba\u011flama) iyice kavray\u0131n. Gradient by Paperspace, makine \u00f6\u011frenimi geli\u015ftirme s\u00fcre\u00e7lerini basitle\u015ftiren ve h\u0131zland\u0131ran kapsaml\u0131 bir bulut platformudur. Bu rehberde, Gradient’in temel bile\u015fenlerini, hesap kurulumunu, etkile\u015fimli not defterlerini, otomatik i\u015f ak\u0131\u015flar\u0131n\u0131, veri ve model y\u00f6netimini ele ald\u0131k. Art\u0131k, makine \u00f6\u011frenimi projelerinizi Gradient \u00fczerinde ba\u015flatmak ve y\u00f6netmek i\u00e7in gerekli temel bilgilere sahipsiniz.<\/p>\n Gradient’in sundu\u011fu olanaklar, veri bilimcilerin ve ML m\u00fchendislerinin altyap\u0131 karma\u015f\u0131kl\u0131\u011f\u0131yla u\u011fra\u015fmak yerine do\u011frudan inovasyona odaklanmas\u0131n\u0131 sa\u011flar. Platformun esnekli\u011fi, \u00f6l\u00e7eklenebilirli\u011fi ve i\u015fbirli\u011fi yetenekleri sayesinde, k\u00fc\u00e7\u00fck deneylerden b\u00fcy\u00fck \u00f6l\u00e7ekli \u00fcretim da\u011f\u0131t\u0131mlar\u0131na kadar her t\u00fcrl\u00fc ML projesini daha verimli bir \u015fekilde y\u00fcr\u00fctebilirsiniz.<\/p>\n Unutmay\u0131n, bu makale sadece bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r. Gradient platformu, hiperparametre optimizasyonu, model da\u011f\u0131t\u0131m\u0131 ve daha bir\u00e7ok geli\u015fmi\u015f \u00f6zellik sunmaktad\u0131r. Platformu aktif olarak kullanarak, dok\u00fcmantasyonu inceleyerek ve topluluk kaynaklar\u0131ndan faydalanarak yeteneklerinizi daha da geli\u015ftirebilirsiniz. \u015eimdi, Gradient’in g\u00fcc\u00fcn\u00fc kullanarak makine \u00f6\u011frenimi yolculu\u011funuza h\u0131z katma zaman\u0131!<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"Gradient Platformu ile Ba\u015flang\u0131\u00e7: Makine \u00d6\u011frenimi Geli\u015ftirme S\u00fcre\u00e7lerinizi H\u0131zland\u0131r\u0131n\nMakine \u00f6\u011frenimi (ML) ve derin \u00f6\u011frenme (DL) alan","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-33637","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* Kolay Ortam Y\u00f6netimi:<\/strong> TensorFlow, PyTorch, scikit-learn gibi pop\u00fcler ML k\u00fct\u00fcphaneleri ve framework’leri i\u00e7in \u00f6nceden yap\u0131land\u0131r\u0131lm\u0131\u015f ortamlar sunar. Kendi \u00f6zel Docker imajlar\u0131n\u0131z\u0131 da kullanabilirsiniz.
\n* \u0130\u015fbirli\u011fi:<\/strong> Projelerinizi ekip \u00fcyelerinizle kolayca payla\u015fabilir, ayn\u0131 not defterleri ve veri setleri \u00fczerinde birlikte \u00e7al\u0131\u015fabilirsiniz.
\n* Tekrarlanabilirlik:<\/strong> Veri setleri, kod ve modellerin versiyonlanmas\u0131 sayesinde deneylerinizi kolayca tekrarlayabilir ve sonu\u00e7lar\u0131n\u0131z\u0131 g\u00fcvenle y\u00f6netebilirsiniz.
\n* \u00d6l\u00e7eklenebilirlik:<\/strong> K\u00fc\u00e7\u00fck prototiplerden b\u00fcy\u00fck \u00f6l\u00e7ekli e\u011fitim i\u015flerine kadar projelerinizi kolayca \u00f6l\u00e7eklendirebilirsiniz.
\n* Basit Da\u011f\u0131t\u0131m:<\/strong> E\u011fitti\u011finiz modelleri kolayca da\u011f\u0131tarak \u00fcr\u00fcnle\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131rabilirsiniz.
\n* Maliyet Etkinli\u011fi:<\/strong> Sadece kulland\u0131\u011f\u0131n\u0131z kaynaklar i\u00e7in \u00f6deme yapars\u0131n\u0131z, bu da maliyetleri optimize etmenize yard\u0131mc\u0131 olur.<\/p>\nGradient’in Temel Bile\u015fenleri ve Kavramlar\u0131<\/h3>\n
\n* Not Defterleri (Notebooks):<\/strong> Jupyter tabanl\u0131 etkile\u015fimli geli\u015ftirme ortamlar\u0131d\u0131r. Veri ke\u015ffi, model prototipleme, hata ay\u0131klama ve k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli deneyler i\u00e7in idealdir. GPU’lu veya CPU’lu sanal makinelerde \u00e7al\u0131\u015f\u0131r ve kodunuzu ad\u0131m ad\u0131m \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r.
\n* \u0130\u015f Ak\u0131\u015flar\u0131 (Workflows\/Jobs):<\/strong> Otomatikle\u015ftirilmi\u015f, tekrarlanabilir ve \u00f6l\u00e7eklenebilir makine \u00f6\u011frenimi i\u015fleridir. Genellikle model e\u011fitimi, hiperparametre optimizasyonu veya veri i\u015fleme gibi uzun s\u00fcreli ve etkile\u015fim gerektirmeyen g\u00f6revler i\u00e7in kullan\u0131l\u0131r. Bir YAML dosyas\u0131 ile tan\u0131mlan\u0131r ve Docker imajlar\u0131 \u00fczerinde \u00e7al\u0131\u015f\u0131r.
\n* Veri Setleri (Datasets):<\/strong> Gradient’te depolanan ve y\u00f6netilen veri koleksiyonlar\u0131d\u0131r. Not defterlerine veya i\u015f ak\u0131\u015flar\u0131na kolayca ba\u011flanabilirler. Veri setlerinin versiyonlanmas\u0131, tekrarlanabilirli\u011fi ve ekipler aras\u0131 i\u015fbirli\u011fini art\u0131r\u0131r.
\n* Modeller (Models):<\/strong> E\u011fitilmi\u015f makine \u00f6\u011frenimi modellerinizi saklad\u0131\u011f\u0131n\u0131z ve versiyonlad\u0131\u011f\u0131n\u0131z yerdir. \u0130\u015f ak\u0131\u015flar\u0131ndan veya not defterlerinden kaydedilebilirler.
\n* Hesaplama Kaynaklar\u0131 (Compute Resources):<\/strong> CPU’lar ve \u00e7e\u015fitli GPU’lar (NVIDIA A100, V100, T4, P100 vb.) gibi sanal makine \u00f6rnekleridir. \u0130htiya\u00e7lar\u0131n\u0131za g\u00f6re farkl\u0131 performans ve maliyet seviyeleri sunarlar.
\n* Ortamlar (Environments):<\/strong> Not defterleri ve i\u015f ak\u0131\u015flar\u0131 i\u00e7in \u00f6nceden yap\u0131land\u0131r\u0131lm\u0131\u015f yaz\u0131l\u0131m y\u0131\u011f\u0131nlar\u0131d\u0131r. Genellikle belirli bir ML framework’\u00fc (TensorFlow, PyTorch) ve gerekli ba\u011f\u0131ml\u0131l\u0131klar\u0131 i\u00e7erir. Kendi \u00f6zel Docker imajlar\u0131n\u0131z\u0131 da ortam olarak kullanabilirsiniz.<\/p>\nHesap Kurulumu ve Aray\u00fcze Giri\u015f<\/h3>\n
\n2. Dashboard (Kontrol Paneli):<\/strong> Kay\u0131t olduktan ve giri\u015f yapt\u0131ktan sonra Gradient kontrol paneline y\u00f6nlendirileceksiniz. Bu panel, t\u00fcm projelerinizi ve kaynaklar\u0131n\u0131z\u0131 y\u00f6netti\u011finiz merkezi noktad\u0131r. Sol taraftaki navigasyon men\u00fcs\u00fcnde Not Defterleri, \u0130\u015f Ak\u0131\u015flar\u0131, Veri Setleri, Modeller, Projeler ve di\u011fer se\u00e7enekleri g\u00f6receksiniz.
\n3. Yeni Bir Proje Olu\u015fturma:<\/strong> \u0130lk ad\u0131m olarak bir proje olu\u015fturman\u0131z \u00f6nerilir. Kontrol panelinde “Projects” sekmesine gidin ve “Create Project” butonuna t\u0131klay\u0131n. Projenize anlaml\u0131 bir isim verin. T\u00fcm not defterleriniz, i\u015f ak\u0131\u015flar\u0131n\u0131z ve veri setleriniz bu proje alt\u0131nda grupland\u0131r\u0131lacakt\u0131r.<\/p>\nEtkile\u015fimli Geli\u015ftirme: Gradient Not Defterleri<\/h3>\n
Yeni Bir Not Defteri Ba\u015flatma<\/h4>\n
\n2. Proje Se\u00e7imi:<\/strong> Not defterinizi hangi proje alt\u0131nda olu\u015fturaca\u011f\u0131n\u0131z\u0131 se\u00e7in.
\n3. \u00d6rnek Tipi (Instance Type) Se\u00e7imi:<\/strong> Buras\u0131 en kritik ad\u0131mlardan biridir. \u0130htiya\u00e7lar\u0131n\u0131za g\u00f6re bir CPU veya GPU \u00f6rne\u011fi se\u00e7meniz gerekir.
\n * CPU \u00d6rnekleri:<\/strong> Daha az yo\u011fun hesaplama gerektiren g\u00f6revler, veri \u00f6n i\u015fleme veya modelin nihai testleri i\u00e7in uygun maliyetli se\u00e7eneklerdir.
\n * GPU \u00d6rnekleri:<\/strong> Derin \u00f6\u011frenme modeli e\u011fitimi gibi yo\u011fun paralel hesaplama gerektiren g\u00f6revler i\u00e7in olmazsa olmazd\u0131r. Gradient, NVIDIA’n\u0131n A100, V100, T4 gibi \u00e7e\u015fitli GPU’lar\u0131n\u0131 sunar. Se\u00e7iminiz, modelinizin b\u00fcy\u00fckl\u00fc\u011f\u00fcne, veri setinizin boyutuna ve b\u00fct\u00e7enize ba\u011fl\u0131 olacakt\u0131r. Her \u00f6rne\u011fin saatlik maliyeti belirtilmi\u015ftir, bu y\u00fczden dikkatli se\u00e7im yap\u0131n.
\n4. Ortam (Environment) Se\u00e7imi:<\/strong> Not defterinizin \u00e7al\u0131\u015faca\u011f\u0131 yaz\u0131l\u0131m ortam\u0131n\u0131 se\u00e7in. Gradient, TensorFlow, PyTorch, Scikit-learn gibi pop\u00fcler ML framework’leri i\u00e7in \u00f6nceden yap\u0131land\u0131r\u0131lm\u0131\u015f Docker imajlar\u0131 sunar. \u00d6rne\u011fin, “TensorFlow 2.x” veya “PyTorch 1.x” gibi se\u00e7enekleri g\u00f6receksiniz. Ayr\u0131ca, kendi \u00f6zel Docker imaj\u0131n\u0131z\u0131 da kullanabilirsiniz.
\n5. Veri Seti Ba\u011flama (Mount Dataset):<\/strong> E\u011fer \u00f6nceden y\u00fckledi\u011finiz bir veri setini kullanmak istiyorsan\u0131z, bu ad\u0131mda onu not defterinize ba\u011flayabilirsiniz. Ba\u011flad\u0131\u011f\u0131n\u0131z veri seti, not defterinizin dosya sisteminde belirli bir dizin alt\u0131nda eri\u015filebilir olacakt\u0131r (genellikle \/datasets\/your_dataset_name<\/code> alt\u0131nda).
\n6. Geli\u015fmi\u015f Se\u00e7enekler (Advanced Options):<\/strong> \u0130ste\u011fe ba\u011fl\u0131 olarak, not defterinize bir ba\u015flang\u0131\u00e7 komutu (startup script) ekleyebilir, SSH eri\u015fimi ayarlayabilir veya depolama se\u00e7eneklerini yap\u0131land\u0131rabilirsiniz.
\n7. “Start Notebook” Butonu:<\/strong> T\u00fcm ayarlar\u0131 yapt\u0131ktan sonra “Start Notebook” butonuna t\u0131klay\u0131n. Gradient, se\u00e7ti\u011finiz \u00f6rnek tipinde bir sanal makineyi ba\u015flatacak ve not defteri ortam\u0131n\u0131z\u0131 haz\u0131rlayacakt\u0131r. Bu i\u015flem birka\u00e7 dakika s\u00fcrebilir.<\/p>\nNot Defteri \u0130\u00e7inde \u00c7al\u0131\u015fma<\/h4>\n
\n* Terminal:<\/strong> Not defteri \u00f6rne\u011finizin alt\u0131nda \u00e7al\u0131\u015fan sanal makineye terminal eri\u015fimi sa\u011flayabilirsiniz. Bu, pip install<\/code> ile ek k\u00fct\u00fcphaneler y\u00fcklemek, dosya sisteminde gezinmek veya di\u011fer komutlar\u0131 \u00e7al\u0131\u015ft\u0131rmak i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.
\n* Dosya Gezgini:<\/strong> Sol taraftaki dosya gezgini ile not defterinizin dosya sistemini g\u00f6rebilirsiniz. Ba\u011flad\u0131\u011f\u0131n\u0131z veri setleri \/datasets<\/code> dizininde, projenizin ana dosyalar\u0131 ise genellikle \/notebooks<\/code> dizininde bulunur.
\n* Paket Kurulumu:<\/strong> Gerekli Python paketlerini terminalde pip install paket_ad\u0131<\/code> komutuyla veya do\u011frudan bir kod h\u00fccresinde !pip install paket_ad\u0131<\/code> \u015feklinde kurabilirsiniz.
\n* \u00c7al\u0131\u015fmalar\u0131n\u0131z\u0131 Kaydetme:<\/strong> JupyterLab, otomatik kaydetme \u00f6zelli\u011fine sahiptir. Ancak, \u00f6nemli de\u011fi\u015fikliklerden sonra manuel olarak da kaydetmeniz \u00f6nerilir. Gradient, not defterinizi durdurdu\u011funuzda bile \u00e7al\u0131\u015fma dizininizdeki (genellikle \/notebooks<\/code> alt\u0131nda) dosyalar\u0131 kal\u0131c\u0131 olarak saklar.<\/p>\nNot Defterini Durdurma ve Kaynaklar\u0131 Y\u00f6netme<\/h4>\n
\n2. Durdurma:<\/strong> \u00c7al\u0131\u015fan not defterinizin yan\u0131nda bulunan “Stop” butonuna t\u0131klay\u0131n. Bu, sanal makineyi kapatacak ve \u00fccretlendirmeyi durduracakt\u0131r.
\n3. Snapshot (Anl\u0131k G\u00f6r\u00fcnt\u00fc):<\/strong> E\u011fer not defterinizin mevcut durumunu (kurulu k\u00fct\u00fcphaneler, ayarlar vb.) gelecekte yeniden kullanmak \u00fczere kaydetmek isterseniz, durdurmadan \u00f6nce bir snapshot alabilirsiniz. Bu, not defterinizin bir kopyas\u0131n\u0131 olu\u015fturur ve daha sonra bu snapshot’tan yeni bir not defteri ba\u015flatabilirsiniz.<\/p>\nOtomatik \u0130\u015f Ak\u0131\u015flar\u0131: Gradient Workflows<\/h3>\n
Yeni Bir \u0130\u015f Ak\u0131\u015f\u0131 Olu\u015fturma<\/h4>\n
\n2. YAML Tan\u0131m\u0131:<\/strong> Kar\u015f\u0131n\u0131za bir YAML d\u00fczenleyici \u00e7\u0131kacakt\u0131r. Burada i\u015f ak\u0131\u015f\u0131n\u0131z\u0131n tan\u0131m\u0131n\u0131 yazman\u0131z gerekir. \u0130\u015fte basit bir e\u011fitim i\u015f ak\u0131\u015f\u0131 \u00f6rne\u011fi:<\/p>\n# workflow.yaml\n name: simple-ml-training\n projectId: prjxxxxx # Kendi proje ID'nizle de\u011fi\u015ftirin\n\n jobs:\n - name: train-model\n container:\n image: paperspace\/pytorch-gpu:2.0.1-cuda11.8-python3.10 # PyTorch imaj\u0131\n command:\n - python\n - train.py # E\u011fitim beti\u011finizin ad\u0131\n resources:\n instanceType: A4000 # Kullan\u0131lacak GPU tipi\n inputs:\n - datasetRef: ds_yyyyyy # Ba\u011flanacak veri setinin ID'si\n path: \/data\n outputs:\n - modelRef: mdl_zzzzzz # Kaydedilecek modelin ID'si\n path: \/models\n - path: \/artifacts # Di\u011fer \u00e7\u0131kt\u0131lar\u0131 kaydetmek i\u00e7in<\/code><\/pre>\nname<\/code>: \u0130\u015f ak\u0131\u015f\u0131n\u0131n ad\u0131.
\n * projectId<\/code>: \u0130\u015f ak\u0131\u015f\u0131n\u0131n ait oldu\u011fu projenin ID’si (URL’den veya Projeler sekmesinden bulabilirsiniz).
\n * jobs<\/code>: \u00c7al\u0131\u015ft\u0131r\u0131lacak i\u015flerin listesi. Bir i\u015f ak\u0131\u015f\u0131 birden fazla i\u015f i\u00e7erebilir (\u00f6rne\u011fin, veri \u00f6n i\u015fleme, e\u011fitim, de\u011ferlendirme).
\n * name<\/code>: \u0130\u015fin ad\u0131.
\n * container.image<\/code>: \u0130\u015fin \u00e7al\u0131\u015faca\u011f\u0131 Docker imaj\u0131. Gradient’in haz\u0131r imajlar\u0131n\u0131 kullanabilir veya kendi \u00f6zel imaj\u0131n\u0131z\u0131 belirtebilirsiniz.
\n * command<\/code>: \u0130\u015fin i\u00e7inde \u00e7al\u0131\u015ft\u0131r\u0131lacak komutlar. Genellikle bir Python beti\u011fini veya shell komutlar\u0131n\u0131 i\u00e7erir.
\n * resources.instanceType<\/code>: \u0130\u015f i\u00e7in ayr\u0131lacak hesaplama kayna\u011f\u0131 (\u00f6rne\u011fin, A4000<\/code>, V100<\/code>, C5<\/code>).
\n * inputs<\/code>: \u0130\u015fin kullanaca\u011f\u0131 veri setleri veya modeller. datasetRef<\/code> veya modelRef<\/code> ile ID’lerini belirtip, path<\/code> ile konteyner i\u00e7indeki eri\u015fim yolunu tan\u0131mlars\u0131n\u0131z.
\n * outputs<\/code>: \u0130\u015fin sonucunda \u00fcretilecek veri setleri, modeller veya di\u011fer dosyalar. modelRef<\/code> veya datasetRef<\/code> ile yeni bir model\/veri seti olu\u015fturup kaydedebilir veya path<\/code> ile sadece \u00e7\u0131kt\u0131 dizinini belirtebilirsiniz.<\/p>\ntrain.py<\/code> gibi betik dosyalar\u0131n\u0131 ve di\u011fer ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00fcklemeniz gerekir. Bunu ya Docker imaj\u0131n\u0131z\u0131n i\u00e7ine dahil ederek ya da i\u015f ak\u0131\u015f\u0131 olu\u015ftururken “Upload Files” se\u00e7ene\u011fini kullanarak yapabilirsiniz. En yayg\u0131n y\u00f6ntem, kodunuzu bir Git deposunda tutmak ve i\u015f ak\u0131\u015f\u0131 tan\u0131m\u0131n\u0131zda Git deposunu klonlama komutunu eklemektir.
\n4. “Run Workflow” Butonu:<\/strong> YAML tan\u0131m\u0131n\u0131z\u0131 tamamlad\u0131ktan sonra “Run Workflow” butonuna t\u0131klay\u0131n. Gradient, i\u015f ak\u0131\u015f\u0131n\u0131z\u0131 ba\u015flatacak ve belirtilen kaynaklar \u00fczerinde \u00e7al\u0131\u015ft\u0131racakt\u0131r.<\/p>\n\u0130\u015f Ak\u0131\u015f\u0131 Y\u00fcr\u00fctmesini \u0130zleme<\/h4>\n
Running<\/code> (\u00c7al\u0131\u015f\u0131yor), Completed<\/code> (Tamamland\u0131), Failed<\/code> (Ba\u015far\u0131s\u0131z) veya Canceled<\/code> (\u0130ptal Edildi) gibi durumlar\u0131n\u0131 g\u00f6sterir.
\n* Loglar:<\/strong> Her bir i\u015fin \u00e7\u0131kt\u0131 loglar\u0131n\u0131 g\u00f6r\u00fcnt\u00fcleyebilirsiniz. Bu loglar, \u00f6zellikle hata ay\u0131klama ve ilerlemeyi takip etme a\u00e7\u0131s\u0131ndan kritik \u00f6neme sahiptir.
\n* Kaynak Kullan\u0131m\u0131:<\/strong> \u0130\u015f ak\u0131\u015f\u0131n\u0131n ne kadar s\u00fcre \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve hangi kaynaklar\u0131 kulland\u0131\u011f\u0131n\u0131 g\u00f6rebilirsiniz.<\/p>\nVeri Y\u00f6netimi: Gradient Datasets<\/h3>\n
\n2. Veri Y\u00fckleme:<\/strong> Veri setinize dosya y\u00fcklemenin birka\u00e7 yolu vard\u0131r:
\n * UI \u00dczerinden Y\u00fckleme:<\/strong> K\u00fc\u00e7\u00fck dosyalar veya dizinler i\u00e7in do\u011frudan web aray\u00fcz\u00fcnden s\u00fcr\u00fckle-b\u0131rak y\u00f6ntemiyle y\u00fckleme yapabilirsiniz.
\n * Gradient CLI:<\/strong> Daha b\u00fcy\u00fck veri setleri veya otomatik y\u00fcklemeler i\u00e7in Gradient Komut Sat\u0131r\u0131 Aray\u00fcz\u00fc’n\u00fc (CLI) kullanabilirsiniz. gradient datasets upload --id
\n * S3 Entegrasyonu:<\/strong> AWS S3 gibi bulut depolama hizmetlerinde bulunan verilerinizi Gradient’e ba\u011flayabilirsiniz.
\n3. Veri Setini Ba\u011flama:<\/strong> Bir not defteri veya i\u015f ak\u0131\u015f\u0131 olu\u015ftururken, “Mount Dataset” se\u00e7ene\u011fini kullanarak veri setinizi ba\u011flayabilirsiniz. Ba\u011flad\u0131\u011f\u0131n\u0131z veri seti, ilgili ortamda \/datasets\/your_dataset_name<\/code> gibi belirli bir yolda eri\u015filebilir olacakt\u0131r.
\n4. Versiyonlama:<\/strong> Gradient, veri setlerinizin versiyonlar\u0131n\u0131 y\u00f6netmenize olanak tan\u0131r. Bu, ayn\u0131 veri setinin farkl\u0131 s\u00fcr\u00fcmlerini kullanman\u0131z\u0131 ve deneylerinizin tekrarlanabilirli\u011fini sa\u011flaman\u0131z\u0131 kolayla\u015ft\u0131r\u0131r.<\/p>\nModel Y\u00f6netimi: Gradient Models<\/h3>\n
outputs<\/code> b\u00f6l\u00fcm\u00fcnde modelRef<\/code> kullanarak modelinizi kaydedebilirsiniz.
\n2. Model Versiyonlar\u0131:<\/strong> Gradient, modelinizin farkl\u0131 versiyonlar\u0131n\u0131 otomatik olarak takip eder. Bu, hangi model versiyonunun hangi veri setiyle ve hangi parametrelerle e\u011fitildi\u011fini izlemenizi sa\u011flar.
\n3. Model Da\u011f\u0131t\u0131m\u0131 (Deployments – \u0130leri Seviye):<\/strong> “Getting Started” makalesi kapsam\u0131nda detay\u0131na girmesek de, Gradient’in e\u011fitilmi\u015f modellerinizi bir API hizmeti olarak da\u011f\u0131tman\u0131za olanak tan\u0131yan Model Da\u011f\u0131t\u0131m\u0131 (Deployments) \u00f6zelli\u011fi de bulunmaktad\u0131r. Bu sayede modellerinizi kolayca uygulamalar\u0131n\u0131za entegre edebilirsiniz.<\/p>\nHesaplama Kaynaklar\u0131 ve Maliyet Y\u00f6netimi<\/h3>\n
\n * CPU:<\/strong> Genel ama\u00e7l\u0131 g\u00f6revler, veri \u00f6n i\u015fleme.
\n * NVIDIA T4:<\/strong> Giri\u015f seviyesi derin \u00f6\u011frenme, \u00e7\u0131kar\u0131m.
\n * NVIDIA V100\/A100:<\/strong> Y\u00fcksek performansl\u0131 derin \u00f6\u011frenme e\u011fitimi, b\u00fcy\u00fck modeller.
\n * Her bir \u00f6rne\u011fin \u00e7ekirdek say\u0131s\u0131, RAM miktar\u0131 ve GPU belle\u011fi gibi \u00f6zellikleri farkl\u0131d\u0131r.
\n* Maliyet Modeli:<\/strong> Gradient, kulland\u0131\u011f\u0131n\u0131z kaynaklar i\u00e7in saatlik olarak \u00fccretlendirme yapar. Bu, sadece kulland\u0131\u011f\u0131n\u0131z s\u00fcre kadar \u00f6deme yapt\u0131\u011f\u0131n\u0131z anlam\u0131na gelir.
\n* Maliyet Y\u00f6netimi \u0130pu\u00e7lar\u0131:<\/strong>
\n * Kullan\u0131lmayan Kaynaklar\u0131 Durdurun:<\/strong> Not defterlerinizi veya i\u015f ak\u0131\u015flar\u0131n\u0131z\u0131 kullanmay\u0131 bitirdi\u011finizde mutlaka durdurun. Aksi takdirde, bo\u015fta \u00e7al\u0131\u015fan kaynaklar i\u00e7in \u00fccret \u00f6demeye devam edersiniz.
\n * Do\u011fru \u00d6rnek Tipini Se\u00e7in:<\/strong> G\u00f6reviniz i\u00e7in en uygun ve maliyet etkin \u00f6rnek tipini se\u00e7in. K\u00fc\u00e7\u00fck bir model e\u011fitmek i\u00e7in en g\u00fc\u00e7l\u00fc GPU’yu kullanmak gereksiz maliyete yol a\u00e7abilir.
\n * \u0130\u015f Ak\u0131\u015flar\u0131n\u0131 Tercih Edin:<\/strong> Uzun s\u00fcreli e\u011fitim g\u00f6revleri i\u00e7in not defterleri yerine i\u015f ak\u0131\u015flar\u0131n\u0131 kullanmak daha verimlidir. \u0130\u015f ak\u0131\u015flar\u0131 tamamland\u0131\u011f\u0131nda otomatik olarak kapan\u0131r ve kaynaklar\u0131 serbest b\u0131rak\u0131r.<\/p>\nGradient Kullan\u0131m\u0131nda Ba\u015flang\u0131\u00e7 \u0130\u00e7in En \u0130yi Uygulamalar<\/h3>\n
\n2. Proje Yap\u0131n\u0131z\u0131 D\u00fczenleyin:<\/strong> Kaynaklar\u0131n\u0131z\u0131 (not defterleri, i\u015f ak\u0131\u015flar\u0131, veri setleri) mant\u0131kl\u0131 bir proje yap\u0131s\u0131 alt\u0131nda grupland\u0131r\u0131n. Bu, \u00f6zellikle birden fazla proje \u00fczerinde \u00e7al\u0131\u015f\u0131rken veya bir ekiple i\u015fbirli\u011fi yaparken d\u00fczeni koruman\u0131za yard\u0131mc\u0131 olur.
\n3. Versiyon Kontrol\u00fcn\u00fc Kullan\u0131n:<\/strong> Kodunuzu (Python betikleri, Jupyter not defterleri) bir Git deposunda (GitHub, GitLab vb.) saklay\u0131n. Bu, kod de\u011fi\u015fikliklerinizi takip etmenizi, geri alman\u0131z\u0131 ve ekip \u00fcyeleriyle i\u015fbirli\u011fi yapman\u0131z\u0131 kolayla\u015ft\u0131r\u0131r. \u0130\u015f ak\u0131\u015flar\u0131n\u0131zda Git depolar\u0131n\u0131 klonlayarak kodunuzu \u00e7ekebilirsiniz.
\n4. Kaynaklar\u0131 \u0130zleyin ve Temizleyin:<\/strong> Kontrol panelindeki “Usage” (Kullan\u0131m) b\u00f6l\u00fcm\u00fcnden kaynak t\u00fcketiminizi d\u00fczenli olarak kontrol edin. Kullanmad\u0131\u011f\u0131n\u0131z not defterlerini ve di\u011fer kaynaklar\u0131 durdurarak veya silerek gereksiz maliyetlerden ka\u00e7\u0131n\u0131n.
\n5. Dok\u00fcmantasyonu \u0130nceleyin:<\/strong> Gradient’in kapsaml\u0131 dok\u00fcmantasyonu (docs.paperspace.com\/gradient) platformun t\u00fcm \u00f6zelliklerini detayl\u0131 bir \u015fekilde a\u00e7\u0131klar. Tak\u0131ld\u0131\u011f\u0131n\u0131z noktalarda veya daha derinlemesine bilgi edinmek istedi\u011finizde ba\u015fvurmaktan \u00e7ekinmeyin.
\n6. Haz\u0131r Ortamlar\u0131 De\u011ferlendirin:<\/strong> Gradient’in sundu\u011fu \u00f6nceden yap\u0131land\u0131r\u0131lm\u0131\u015f ortamlar, ba\u011f\u0131ml\u0131l\u0131k y\u00f6netimi y\u00fck\u00fcn\u00fc azalt\u0131r. Kendi \u00f6zel Docker imaj\u0131n\u0131z\u0131 olu\u015fturmadan \u00f6nce bu ortamlar\u0131n ihtiya\u00e7lar\u0131n\u0131z\u0131 kar\u015f\u0131lay\u0131p kar\u015f\u0131lamad\u0131\u011f\u0131n\u0131 kontrol edin.
\n7. \u0130\u015f Ak\u0131\u015flar\u0131n\u0131 Benimseyin:<\/strong> Prototipleme bitti\u011finde veya tekrarlanabilir, uzun s\u00fcreli bir g\u00f6reviniz oldu\u011funda not defterleri yerine i\u015f ak\u0131\u015flar\u0131n\u0131 kullanmaya ge\u00e7in. Bu, daha verimli kaynak kullan\u0131m\u0131 ve daha iyi tekrarlanabilirlik sa\u011flar.<\/p>\nSonu\u00e7<\/h3>\n