Evri\u015fimli Sinir A\u011flar\u0131 (CNN’ler), g\u00f6r\u00fcnt\u00fc i\u015fleme, do\u011fal dil i\u015fleme ve konu\u015fma tan\u0131ma gibi bir\u00e7ok alanda devrim yaratm\u0131\u015ft\u0131r. Bu ba\u015far\u0131n\u0131n temelinde yatan \u00f6nemli bir operasyon ise evri\u015fimdir (convolution). Evri\u015fim operasyonunun verimli bir \u015fekilde \u00e7al\u0131\u015fabilmesi ve a\u011f\u0131n \u00f6\u011frenme yetene\u011fini art\u0131rabilmesi i\u00e7in dolgu (padding) ad\u0131 verilen bir teknik kullan\u0131l\u0131r. Bu makalede, evri\u015fimli sinir a\u011flar\u0131nda dolgunun ne oldu\u011funu, neden kullan\u0131ld\u0131\u011f\u0131n\u0131, farkl\u0131 dolgu t\u00fcrlerini, dolgunun \u00e7\u0131kt\u0131n\u0131n boyutlar\u0131 \u00fczerindeki etkisini ve dolgu se\u00e7iminin model performans\u0131 \u00fczerindeki \u00f6nemini detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
Evri\u015fimli Sinir A\u011flar\u0131n\u0131n kalbinde evri\u015fim katman\u0131 bulunur. Bu katman, bir girdi tens\u00f6r\u00fc (genellikle bir g\u00f6r\u00fcnt\u00fc) \u00fczerinde k\u00fc\u00e7\u00fck filtreler (\u00e7ekirdekler) kayd\u0131rarak \u00f6zellik haritalar\u0131 (feature maps) olu\u015fturur. Filtre, girdi \u00fczerinde belirli bir konuma getirildi\u011finde, girdi ile filtrenin a\u011f\u0131rl\u0131klar\u0131n\u0131n eleman baz\u0131nda \u00e7arp\u0131m\u0131 ve ard\u0131ndan bu \u00e7arp\u0131mlar\u0131n toplanmas\u0131yla bir \u00e7\u0131kt\u0131 de\u011feri elde edilir. Bu i\u015flem, filtre girdi boyunca kayd\u0131r\u0131ld\u0131k\u00e7a tekrarlan\u0131r ve sonu\u00e7ta bir \u00f6zellik haritas\u0131 \u00fcretilir.<\/p>\n
Evri\u015fim operasyonunun temel bir sorunu, \u00e7\u0131kt\u0131n\u0131n boyutlar\u0131n\u0131n girdi boyutlar\u0131ndan daha k\u00fc\u00e7\u00fck olma e\u011filiminde olmas\u0131d\u0131r. Bu durumun birka\u00e7 nedeni vard\u0131r:<\/p>\n
1. Kenar Etkileri (Edge Effects):<\/strong> Filtre, girdi tens\u00f6r\u00fcn\u00fcn kenarlar\u0131na yakla\u015ft\u0131\u011f\u0131nda, girdi \u00fczerinde kayd\u0131r\u0131labilece\u011fi pozisyon say\u0131s\u0131 azal\u0131r. \u00d6rne\u011fin, 3×3’l\u00fck bir filtre ve 5×5’lik bir girdi d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fczde, filtre yaln\u0131zca 3 pozisyon boyunca yatay ve dikey olarak kayd\u0131r\u0131labilir. Bu, \u00e7\u0131kt\u0131 boyutunun girdi boyutundan daha k\u00fc\u00e7\u00fck olmas\u0131na yol a\u00e7ar. Bu sorunlar\u0131 \u00e7\u00f6zmek ve evri\u015fim operasyonunun daha etkili olmas\u0131n\u0131 sa\u011flamak i\u00e7in dolgu tekni\u011fi devreye girer.<\/p>\n Dolgu, girdi tens\u00f6r\u00fcn\u00fcn kenarlar\u0131na eklenen sabit de\u011ferlerden (genellikle s\u0131f\u0131r) olu\u015fan piksellerdir. Bu eklenen pikseller, girdi tens\u00f6r\u00fcn\u00fcn boyutlar\u0131n\u0131 art\u0131r\u0131r ve evri\u015fim operasyonunun girdi \u00fczerinde daha fazla kayd\u0131rma pozisyonuna sahip olmas\u0131n\u0131 sa\u011flar. Dolgunun temel amac\u0131, evri\u015fim i\u015flemi s\u0131ras\u0131nda kenarlardaki bilginin korunmas\u0131na yard\u0131mc\u0131 olmak ve \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n boyutunu kontrol etmektir.<\/p>\n Dolgu, girdi tens\u00f6r\u00fcn\u00fcn etraf\u0131na eklenir. \u00d6rne\u011fin, bir g\u00f6r\u00fcnt\u00fcye dolgu ekledi\u011fimizde, g\u00f6r\u00fcnt\u00fcn\u00fcn \u00fcst, alt, sol ve sa\u011f kenarlar\u0131na belirli say\u0131da piksel eklenir. Bu piksellerin de\u011feri genellikle s\u0131f\u0131r olur, ancak baz\u0131 \u00f6zel durumlarda farkl\u0131 de\u011ferler de kullan\u0131labilir.<\/p>\n Dolgu kullanman\u0131n ba\u015fl\u0131ca nedenleri \u015funlard\u0131r:<\/p>\n 1. Kenar Bilgisinin Korunmas\u0131:<\/strong> Dolgu, filtrelerin girdi tens\u00f6r\u00fcn\u00fcn kenarlar\u0131nda daha fazla kayd\u0131r\u0131lmas\u0131na olanak tan\u0131r. Bu sayede, kenarlardaki pikseller de filtrenin merkezi bir par\u00e7as\u0131 olarak evri\u015fim i\u015flemine daha fazla dahil edilir. Sonu\u00e7 olarak, kenar bilgileri daha iyi korunur ve \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131nda kaybolmaz. Bu, \u00f6zellikle nesne tan\u0131ma gibi g\u00f6revlerde, nesnelerin s\u0131n\u0131rlar\u0131n\u0131n do\u011fru bir \u015fekilde tespit edilmesi i\u00e7in kritiktir. Dolgu, uyguland\u0131\u011f\u0131 \u015fekle ve kullan\u0131lan de\u011fere g\u00f6re farkl\u0131 t\u00fcrlere ayr\u0131labilir. En yayg\u0131n kullan\u0131lan dolgu t\u00fcrleri \u015funlard\u0131r:<\/p>\n S\u0131f\u0131r dolgu, en yayg\u0131n kullan\u0131lan dolgu t\u00fcr\u00fcd\u00fcr. Bu teknikte, girdi tens\u00f6r\u00fcn\u00fcn kenarlar\u0131na s\u0131f\u0131r de\u011ferine sahip pikseller eklenir. Bu piksellerin de\u011feri, evri\u015fim i\u015flemi s\u0131ras\u0131nda di\u011fer girdilerle ayn\u0131 \u015fekilde i\u015flenir. S\u0131f\u0131r dolgu, hem hesaplama a\u00e7\u0131s\u0131ndan basittir hem de genellikle iyi sonu\u00e7lar verir.<\/p>\n * \u00c7\u0131kt\u0131 Boyutu \u00dczerindeki Etkisi:<\/strong> E\u011fer Burada E\u011fer Yans\u0131tma dolgu, girdi tens\u00f6r\u00fcn\u00fcn kenarlar\u0131ndaki pikselleri kullanarak dolgu olu\u015fturur. Bu teknikte, kenara eklenen dolgu pikselleri, girdi tens\u00f6r\u00fcn\u00fcn kenar\u0131ndaki piksellerin yans\u0131t\u0131lm\u0131\u015f bir kopyas\u0131d\u0131r. \u00d6rne\u011fin, kenara eklenen bir piksel, kenardaki ilk pikselin de\u011feriyle ayn\u0131 olur ve bu \u015fekilde devam eder.<\/p>\n * Avantaj\u0131:<\/strong> S\u0131f\u0131r dolgunun aksine, yans\u0131tma dolgu kenarlardaki de\u011ferleri s\u0131f\u0131rlamaz, bu da \u00f6zellikle kenarlarda \u00f6nemli desenler oldu\u011funda daha iyi sonu\u00e7lar verebilir. G\u00f6r\u00fcnt\u00fcn\u00fcn kenarlar\u0131ndaki doku ve desenlerin devaml\u0131l\u0131\u011f\u0131n\u0131 sa\u011flamaya yard\u0131mc\u0131 olur. Tekrarlama dolgu, girdi tens\u00f6r\u00fcn\u00fcn kenar\u0131ndaki son pikselin de\u011ferini kenara eklenen t\u00fcm dolgu pikselleri i\u00e7in kullan\u0131r. Yani, en d\u0131\u015f kenardaki piksel, kenara eklenen t\u00fcm dolgu alan\u0131n\u0131 doldurur.<\/p>\n * Avantaj\u0131:<\/strong> Yans\u0131tma dolguya benzer \u015fekilde, kenarlardaki bilgiyi s\u0131f\u0131rlamaz. Boyut korumal\u0131 dolgu, asl\u0131nda bir dolgu t\u00fcr\u00fc olmaktan \u00e7ok, dolgunun bir hedefidir. Bu teknikte ama\u00e7, evri\u015fim katman\u0131n\u0131n \u00e7\u0131kt\u0131 boyutunu, girdi boyutuna e\u015fit tutmakt\u0131r. Bu, yukar\u0131da bahsedilen * Avantaj\u0131:<\/strong> A\u011f mimarisini tasarlarken b\u00fcy\u00fck esneklik sa\u011flar. Katmanlar aras\u0131nda \u00e7\u0131kt\u0131 boyutunun ayn\u0131 kalmas\u0131, daha basit a\u011f tasar\u0131mlar\u0131na ve \u00f6zellik haritalar\u0131n\u0131n boyutunu koruyarak daha fazla katman ekleme olana\u011f\u0131na yol a\u00e7ar. Dolgu miktar\u0131 ( Genel form\u00fcl: Bu form\u00fclden yola \u00e7\u0131karak farkl\u0131 senaryolar\u0131 inceleyelim:<\/p>\n * Dolgu Yok (P=0):<\/strong> * Same Padding (\u00c7\u0131kt\u0131 Boyutu = Girdi Boyutu, N_out = N_in):<\/strong> * Full Padding (Maksimum Dolgu):<\/strong> \u00d6rnek:<\/strong> * Dolgu Yok (P=0):<\/strong> * Same Padding (P=1):<\/strong> * Farkl\u0131 Ad\u0131m De\u011ferleri:<\/strong> ### Dolgu Se\u00e7iminin Model Performans\u0131 \u00dczerindeki Etkisi<\/p>\n Dolgu se\u00e7imi, evri\u015fimli sinir a\u011flar\u0131n\u0131n performans\u0131 \u00fczerinde \u00f6nemli bir etkiye sahip olabilir:<\/p>\n 1. Kenar Bilgisinin Korunmas\u0131:<\/strong> S\u0131f\u0131r dolgu, kenarlara s\u0131f\u0131r ekleyerek bu b\u00f6lgelerdeki bilgiyi “seyreltir”. Yans\u0131tma veya tekrarlama dolgu gibi y\u00f6ntemler, kenarlardaki orijinal bilgiyi daha iyi koruyarak, \u00f6zellikle nesnelerin kenarlar\u0131n\u0131n veya ince detaylar\u0131n \u00f6nemli oldu\u011fu durumlarda daha iyi sonu\u00e7lar verebilir. ### Uygulamada Dolgu Kullan\u0131m\u0131<\/p>\n Pop\u00fcler derin \u00f6\u011frenme k\u00fct\u00fcphaneleri (TensorFlow, PyTorch vb.), evri\u015fim katmanlar\u0131 i\u00e7in dolgu se\u00e7enekleri sunar. Bu se\u00e7enekler genellikle \u015funlar\u0131 i\u00e7erir:<\/p>\n * Pratikte, \u00e7o\u011fu modern CNN mimarisi, \u00f6zellik haritalar\u0131n\u0131n boyutunu korumak ve kenar bilgisini daha iyi i\u015flemek i\u00e7in “same padding” veya buna e\u015fde\u011fer dolgu miktarlar\u0131n\u0131 kullan\u0131r. Bu, mimarinin daha mod\u00fcler ve tekrar kullan\u0131labilir olmas\u0131n\u0131 sa\u011flar.<\/p>\n ### Sonu\u00e7<\/p>\n Dolgu, evri\u015fimli sinir a\u011flar\u0131nda evri\u015fim operasyonunun temel bir bile\u015fenidir. Kenar bilgisinin korunmas\u0131, \u00e7\u0131kt\u0131 boyutunun kontrol edilmesi ve a\u011f\u0131n \u00f6\u011frenme kapasitesinin art\u0131r\u0131lmas\u0131 gibi kritik g\u00f6revleri yerine getirir. S\u0131f\u0131r dolgu en yayg\u0131n kullan\u0131lan y\u00f6ntem olsa da, yans\u0131tma ve tekrarlama dolgu gibi alternatifler, kenar bilgilerinin daha iyi korunmas\u0131 gerekti\u011finde faydal\u0131 olabilir. “Same padding” ise a\u011f mimarisi tasar\u0131m\u0131nda b\u00fcy\u00fck esneklik sa\u011flayarak, \u00f6zellik haritalar\u0131n\u0131n boyutunu korumaya yard\u0131mc\u0131 olur. Dolgu se\u00e7imi, modelin performans\u0131 \u00fczerinde do\u011frudan bir etkiye sahip oldu\u011fundan, mimari tasar\u0131m a\u015famas\u0131nda dikkatli bir \u015fekilde de\u011ferlendirilmelidir. Do\u011fru dolgu stratejisi, modelin daha iyi genelleme yapmas\u0131na, daha do\u011fru tahminler \u00fcretmesine ve daha karma\u015f\u0131k g\u00f6revleri ba\u015far\u0131yla yerine getirmesine katk\u0131da bulunur.<\/p>\n
\n2. Bilgi Kayb\u0131:<\/strong> Her evri\u015fim katman\u0131nda \u00e7\u0131kt\u0131 boyutunun azalmas\u0131, zamanla \u00f6zellik haritalar\u0131n\u0131n k\u00fc\u00e7\u00fclmesine ve en \u00f6nemlisi, girdinin kenarlar\u0131ndaki bilginin daha h\u0131zl\u0131 bir \u015fekilde kaybolmas\u0131na neden olur. Kenarlar genellikle nesnelerin s\u0131n\u0131rlar\u0131, k\u00f6\u015feler gibi \u00f6nemli yap\u0131sal bilgileri i\u00e7erir. Bu bilginin kayb\u0131, modelin karma\u015f\u0131k desenleri \u00f6\u011frenme yetene\u011fini olumsuz etkileyebilir.
\n3. A\u011f Derinli\u011fi ve Boyut Azalmas\u0131:<\/strong> Derin evri\u015fimli sinir a\u011flar\u0131nda, her katmanda \u00e7\u0131kt\u0131 boyutunun azalmas\u0131, a\u011f\u0131n sonlar\u0131na do\u011fru \u00f6zellik haritalar\u0131n\u0131n \u00e7ok k\u00fc\u00e7\u00fck hale gelmesine neden olabilir. Bu, yeterli detay\u0131n yakalanamamas\u0131na ve modelin genelleme yetene\u011finin d\u00fc\u015fmesine yol a\u00e7abilir.<\/p>\nDolgu (Padding) Nedir?<\/h3>\n
Dolgunun Neden Kullan\u0131l\u0131r?<\/h3>\n
\n2. \u00c7\u0131kt\u0131 Boyutunun Kontrol Edilmesi:<\/strong> Dolgu, \u00e7\u0131kt\u0131 \u00f6zellik haritas\u0131n\u0131n boyutunu girdi boyutuna g\u00f6re kontrol etmemizi sa\u011flar. Do\u011fru miktarda dolgu ekleyerek, \u00e7\u0131kt\u0131 boyutunun girdi boyutuna e\u015fit olmas\u0131n\u0131 (full padding veya same padding) veya belirli bir oranda azalmas\u0131n\u0131 sa\u011flayabiliriz. Bu, a\u011f mimarisinin tasar\u0131m\u0131nda esneklik sa\u011flar. \u00d6rne\u011fin, baz\u0131 mimarilerde her katmanda \u00e7\u0131kt\u0131 boyutunun ayn\u0131 kalmas\u0131 istenir.
\n3. Daha Fazla Evri\u015fim \u0130mkan\u0131:<\/strong> Dolgu, filtrelerin girdi \u00fczerinde daha fazla pozisyonda kayd\u0131r\u0131lmas\u0131na izin vererek daha fazla evri\u015fim i\u015flemi yap\u0131lmas\u0131n\u0131 sa\u011flar. Bu, a\u011f\u0131n girdideki desenleri daha kapsaml\u0131 bir \u015fekilde \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir.
\n4. A\u011f Derinli\u011fi ve Verimlilik:<\/strong> Dolgu, \u00f6zellikle derin a\u011flarda, her katmanda boyutun a\u015f\u0131r\u0131 derecede k\u00fc\u00e7\u00fclmesini engelleyerek daha fazla katman\u0131n etkili bir \u015fekilde kullan\u0131lmas\u0131n\u0131 sa\u011flar. Bu, daha karma\u015f\u0131k ve daha iyi performans g\u00f6steren modellerin olu\u015fturulmas\u0131na katk\u0131da bulunur.<\/p>\nDolgu T\u00fcrleri<\/h3>\n
1. S\u0131f\u0131r Dolgu (Zero Padding)<\/h4>\n
P<\/code> kadar dolgu eklenirse (her kenara P<\/code> piksel), K<\/code> filtre boyutu ve S<\/code> ad\u0131m (stride) ile, \u00e7\u0131kt\u0131 boyutu N_out<\/code> \u015fu \u015fekilde hesaplan\u0131r:<\/p>\nN_out = floor((N_in + 2P - K) \/ S) + 1<\/code><\/p>\nN_in<\/code> girdi boyutudur.<\/p>\nS=1<\/code> ve K<\/code> tek say\u0131 ise, \u00e7\u0131kt\u0131 boyutunun girdi boyutuna e\u015fit olmas\u0131 i\u00e7in 2P = K - 1<\/code> olacak \u015fekilde dolgu eklenmesi gerekir. Bu duruma “same padding” denir.<\/p>\n2. Yans\u0131tma Dolgu (Reflection Padding)<\/h4>\n
\n* Dezavantaj\u0131:<\/strong> S\u0131f\u0131r dolguya g\u00f6re hesaplama a\u00e7\u0131s\u0131ndan biraz daha karma\u015f\u0131kt\u0131r.<\/p>\n3. Tekrarlama Dolgu (Replication Padding) veya Kenar Dolgu (Edge Padding)<\/h4>\n
\n* Dezavantaj\u0131:<\/strong> Yans\u0131tma dolgu kadar do\u011fal bir devaml\u0131l\u0131k sa\u011flamayabilir, \u00e7\u00fcnk\u00fc kenardaki tek bir pikselin de\u011feri t\u00fcm kenar\u0131 doldurur.<\/p>\n4. Boyut Korumal\u0131 Dolgu (Same Padding)<\/h4>\n
N_out = N_in<\/code> ko\u015fulunu sa\u011flayan dolgu miktar\u0131 (P<\/code>) kullan\u0131larak elde edilir. Genellikle, filtre boyutu K<\/code> ve ad\u0131m S<\/code> i\u00e7in, 2P = K - 1<\/code> (e\u011fer S=1<\/code> ve K<\/code> tek ise) olacak \u015fekilde s\u0131f\u0131r dolgu eklenerek ger\u00e7ekle\u015ftirilir.<\/p>\n
\n* Dezavantaj\u0131:<\/strong> Her zaman tam olarak girdi boyutunu korumak m\u00fcmk\u00fcn olmayabilir, \u00f6zellikle filtre boyutu \u00e7ift oldu\u011funda veya ad\u0131m de\u011feri 1’den b\u00fcy\u00fck oldu\u011funda. Bu durumlarda, \u00e7\u0131kt\u0131 boyutu girdi boyutundan biraz farkl\u0131 olabilir.<\/p>\nDolgu Se\u00e7iminin \u00c7\u0131kt\u0131 Boyutlar\u0131 \u00dczerindeki Etkisi<\/h3>\n
P<\/code>), filtre boyutu (K<\/code>) ve ad\u0131m (S<\/code>) evri\u015fim katman\u0131n\u0131n \u00e7\u0131kt\u0131 boyutunu belirleyen temel parametrelerdir.<\/p>\n
\nN_out = floor((N_in + 2P - K) \/ S) + 1<\/code><\/p>\n
\n N_out = floor((N_in - K) \/ S) + 1<\/code>
\n Bu durumda \u00e7\u0131kt\u0131 boyutu kesinlikle girdi boyutundan k\u00fc\u00e7\u00fck olacakt\u0131r (K>1 ise).<\/p>\n
\n E\u011fer S=1<\/code> ve K<\/code> tek say\u0131 ise, N_in = floor((N_in + 2P - K) \/ 1) + 1<\/code> denklemini \u00e7\u00f6zerek 2P = K - 1<\/code> elde ederiz. Yani, dolgu miktar\u0131 P = (K - 1) \/ 2<\/code> olmal\u0131d\u0131r. \u00d6rne\u011fin, 3×3’l\u00fck bir filtre i\u00e7in P = (3-1)\/2 = 1<\/code> olur. Her kenara 1 piksel dolgu eklenir. 5×5’lik bir filtre i\u00e7in P = (5-1)\/2 = 2<\/code> olur.<\/p>\n
\n Bu terim genellikle daha az kullan\u0131l\u0131r, ancak \u00e7\u0131kt\u0131 boyutunun m\u00fcmk\u00fcn oldu\u011funca b\u00fcy\u00fck tutuldu\u011fu bir durumu ifade edebilir. Genellikle, filtre N_in<\/code> boyutuna tam olarak s\u0131\u011facak \u015fekilde dolgu eklenir. Bu, filtrenin her girdiyi en az bir kez merkezlemesidir. \u00c7\u0131kt\u0131 boyutu N_in + K - 1<\/code> olabilir. N_out = N_in + K - 1<\/code> i\u00e7in P<\/code>‘yi hesaplamak gerekir.<\/p>\n
\nBir girdi tens\u00f6r\u00fcn\u00fcn boyutu 28×28 olsun (N_in = 28<\/code>).
\nFiltre boyutu 3×3 (K = 3<\/code>).
\nAd\u0131m 1 (S = 1<\/code>).<\/p>\n
\n N_out = floor((28 + 2*0 - 3) \/ 1) + 1 = floor(25 \/ 1) + 1 = 25 + 1 = 26<\/code>.
\n \u00c7\u0131kt\u0131 boyutu 26×26 olur. Girdi boyutundan 2 piksel azal\u0131r (her kenardan 1 piksel).<\/p>\n
\n N_out = floor((28 + 2*1 - 3) \/ 1) + 1 = floor(27 \/ 1) + 1 = 27 + 1 = 28<\/code>.
\n \u00c7\u0131kt\u0131 boyutu 28×28 olur. Girdi boyutu korunur.<\/p>\n
\n E\u011fer N_in = 28<\/code>, K = 3<\/code>, S = 2<\/code> ise:
\n * Dolgu Yok (P=0):<\/strong>
\n N_out = floor((28 + 2*0 - 3) \/ 2) + 1 = floor(25 \/ 2) + 1 = floor(12.5) + 1 = 12 + 1 = 13<\/code>.
\n \u00c7\u0131kt\u0131 boyutu 13×13 olur.
\n * Same Padding Hedefi:<\/strong> N_out = 28<\/code> olmas\u0131n\u0131 istiyoruz. Ancak S=2<\/code> oldu\u011funda N_out = N_in<\/code> ko\u015fulunu tam olarak sa\u011flamak genellikle m\u00fcmk\u00fcn de\u011fildir. Bu durumda, k\u00fct\u00fcphaneler genellikle \u00e7\u0131kt\u0131 boyutunu ceil(N_in \/ S)<\/code> gibi bir de\u011fere yuvarlar. \u00d6rne\u011fin, PyTorch’ta padding='same'<\/code> kullan\u0131ld\u0131\u011f\u0131nda, padding<\/code> de\u011feri otomatik olarak ayarlan\u0131r.<\/p>\n
\n2. A\u011f Mimarisi ve Boyut K\u00fc\u00e7\u00fclmesinin Y\u00f6netimi:<\/strong> “Same padding” kullanmak, a\u011f\u0131n her katman\u0131nda \u00f6zellik haritalar\u0131n\u0131n boyutunu koruyarak daha derin a\u011flar\u0131n olu\u015fturulmas\u0131na olanak tan\u0131r. Bu, modelin daha karma\u015f\u0131k hiyerar\u015fik \u00f6zellikleri \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir. Boyutun s\u00fcrekli k\u00fc\u00e7\u00fclmesi, \u00f6zellikle ilk katmanlarda \u00f6nemli bilgilerin kaybolmas\u0131na neden olabilir.
\n3. A\u015f\u0131r\u0131 Uyum (Overfitting) ve Az Uyum (Underfitting):<\/strong>
\n * \u00c7ok fazla dolgu kullanmak (\u00f6zellikle “same padding” ile birlikte), modelin girdideki her detay\u0131 yakalamaya \u00e7al\u0131\u015fmas\u0131na neden olabilir. Bu, \u00f6zellikle k\u00fc\u00e7\u00fck veri k\u00fcmelerinde a\u015f\u0131r\u0131 uyuma yol a\u00e7abilir.
\n * Dolgu kullanmamak veya \u00e7ok az dolgu kullanmak, kenarlardaki \u00f6nemli bilgilerin kaybolmas\u0131na ve modelin yeterli \u00f6zelli\u011fi \u00f6\u011frenememesine (az uyum) neden olabilir.
\n4. Filtrelerin Etkinli\u011fi:<\/strong> Dolgu, filtrelerin girdi \u00fczerinde daha fazla kayd\u0131r\u0131lmas\u0131na izin vererek, filtrelerin girdinin farkl\u0131 b\u00f6lgelerindeki desenleri daha fazla ke\u015ffetmesini sa\u011flar. Bu, filtrelerin daha genel ve sa\u011flam \u00f6zellikler \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir.<\/p>\npadding='valid'<\/code> (Dolgu Yok):<\/strong> Bu se\u00e7enek, hi\u00e7bir dolgu eklenmedi\u011fi anlam\u0131na gelir. \u00c7\u0131kt\u0131 boyutu, dolgu olmadan hesaplanan standart evri\u015fim form\u00fcl\u00fcne g\u00f6re daha k\u00fc\u00e7\u00fck olacakt\u0131r.
\n* padding='same'<\/code> (Boyut Korumal\u0131 Dolgu):<\/strong> Bu se\u00e7enek, \u00e7\u0131kt\u0131 boyutunu girdi boyutuna e\u015fit tutmaya \u00e7al\u0131\u015f\u0131r. K\u00fct\u00fcphane, gerekli dolgu miktar\u0131n\u0131 otomatik olarak hesaplar. Genellikle, filtre boyutu K<\/code> ve ad\u0131m S<\/code> i\u00e7in, N_out = N_in<\/code> olacak \u015fekilde dolgu eklenir.
\n* Say\u0131sal Dolgu De\u011feri (\u00d6rn: padding=1<\/code>):<\/strong> Bu se\u00e7enek, girdi tens\u00f6r\u00fcn\u00fcn her kenar\u0131na belirtilen say\u0131da piksel eklenmesini sa\u011flar. \u00d6rne\u011fin, padding=1<\/code> ile 3×3’l\u00fck bir filtre kullan\u0131ld\u0131\u011f\u0131nda, bu genellikle (K-1)\/2<\/code>‘ye kar\u015f\u0131l\u0131k gelir ve “same padding” etkisini verir.<\/p>\n