Derin Öğrenmenin Katmanları

0
53

Makine öğreniminin bir kolu olan derin öğrenme; yapay zekaya ilginin çoğalmasıyla birlikte adeta patlama yaşamıştır.

Derin öğrenme nedir?

Derin öğrenme katmanları normal bir durumda makineye bir bilginin öğretilmesini insanlar sağlıyor. Bu sayede cihazlar çalışabiliyor. Derin öğrenmede ise durum çok farklı. Makineler öğrendikleriyle verileri analiz ediyor, yeni veriler çıkarıyor.

Şuan için bu yapılan araştırmalar pek fazla dikkat çekmiyor olabilir. Henüz yeni yeni oturan sistemleri keşfettiğimiz için yetersiz kalıyor, verim alamıyoruz. Fakat bu halde bile gelecek tahmini, finans, görüntü işleme, ses işleme ve tanıma gibi alanlarda faaliyet gösteren akıllı yazılımlar geçmişin verilerini analiz ederek geleceğin verilerini oluşturabiliyor.

Derin öğrenme katmanları
Derin öğrenme katmanları

Bu işlemlerin her biri ise katmanlar sayesinde oluyor. Bir beyin gibi işleyen sistem milyarlarca yöntemi karşılaştırıyor, sınıflandırıyor, olasılığını hesaplıyor ve bir sonuç çıkarıyor. Derin öğrenme katmanları ise 9 gruba ayrılıyor;

  • Giriş Katmanı,
  • Konvolüsyon Katmanı,
  • Aktivasyon Katmanı,
  • Havuzlama Katmanı,
  • Tam Bağlı Katman,
  • Dropout Katmanı,
  • Sınıflandırma Katmanı,
  • Yumuşatma Katmanı;
  • Normalizasyon Katmanı.

Bu katmanlar kendi içerisinde aldığı veriyi işleyerek diğerine gönderiyor ve net bir sonuç çıkarabiliyor. Daha yakından inceleyecek olursak;

Derin Öğrenme Katmanları

Giriş Katmanı: Bu kısıma hazırlama alanı diyebiliriz. Veri seti ağının mimarisine göre girdisi yapılan veriyi hazırlar ve gönderir. Giriş katmanına girilen verinin boyutuna göre işlem için gerekli olan ağ hızı ve bellek ihtiyacı gibi temel bileşen ihtiyacını arttırabilmektedir.

Konvolüsyon Katmanı: Girilen verinin belirgin özelliklerini ön plana almaya yarayan katmandır. Bu özellikler belirlenen filtrelerden geçer. Burada kullanılan filtre projenin başarı oranında direkt etki etmektedir.

Aktivasyon Katmanı: Matematik işlemlerinin gerçekleştiği alanda denilebilir. Veri gerekli fonksiyonlardan (tanjant, sinüs, step ve benzeri) geçerek bir değer alır. Elde edilen değer negatif ise 0, pozitif ise 1 değerini alır.

Havuzlama Katmanı: Verilerin belli kısımları çıkarılarak kullanılacak bellek ve ağ miktarını azaltmayı hedefler. Bu işlem veri üzerinde kayıplar oluşturabilmektedir.

Tam Bağlı Katman: Nesneyi belirleyemek için kullanılan özelliklerin hangi sınıf(lar)a ait olduğunu anlamak için kullanılır.

Dropout Katmanı: Çok katlı yapay sinir ağları aşırı öğrenme adı verilen bir durumla karşılaşmaktadır. Bu istenmediği için dropout katmanında ağda ezber yapan özelliklerin kaldırılması gerçekleşir.

Sınıflandırma Katmanı: Sınıflandırılması yapılacak öğe kadar sonuç üretir. Her biri bir sınıfı temsil eden bu öğeleri genelde softmax sınıflandırıcısı ile sınıflandırır.

Yumuşatma Katmanı: Gelen verileri olasılık hesaplaması yaparak hangi sınıfa ait olup olmadığını belirler.

Normalizasyon Katmanı: Eğitim süresinin azalması için büyük ya da küçük olan girdileri düzenler.

Derin Öğrenme katmanları tam olarak mantığı açıklamaya çalışırsak işlem şu şekilde yürüyor: Veri alınır, ayrılır ve küçültülür. Sonrasında her biri birbirinden farklı fonksiyonlarda sınıflandırılarak net bir çıktı alınır. Bu çıktının alınması için oldukça güçlü bir bilgisayar gereklidir.

Bir Cevap Yazın

This site uses Akismet to reduce spam. Learn how your comment data is processed.