TensorFlow, makine öğrenimi modelleri oluşturmak için güçlü ve modüler bir yapı sunar. Temel adımlar şunlardır:
1. TensorFlow’u Kurma
Öncelikle TensorFlow kütüphanesini yüklememiz gerekir. Python ortamında şu komutla yükleme yapabilirsiniz:
bashCopyEditpip install tensorflow
Bu komut, en güncel TensorFlow sürümünü indirip kuracaktır.
2. Veri Kümesini Hazırlama
Makine öğrenimi projelerinde, doğru ve iyi hazırlanmış bir veri kümesi büyük önem taşır. TensorFlow ile genellikle TensorFlow Datasets (TFDS) veya NumPy kütüphanesi kullanılarak veri seti yüklenir.
Örneğin, MNIST veri kümesini kullanarak el yazısı rakamları tanıyan bir model oluşturabiliriz:
pythonCopyEditimport tensorflow as tf
from tensorflow import keras
import numpy as np
# MNIST veri kümesini yükleme
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# Veriyi normalleştirme (0-255 arasındaki değerleri 0-1 arasına çekiyoruz)
x_train, x_test = x_train / 255.0, x_test / 255.0
3. Modeli Oluşturma
TensorFlow’da derin öğrenme modelleri oluşturmak için Keras API kullanılır. Aşağıdaki örnekte, bir yapay sinir ağı (ANN) modeli oluşturulmuştur:
pythonCopyEdit# Modeli tanımlama
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)), # Giriş katmanı
keras.layers.Dense(128, activation='relu'), # Gizli katman
keras.layers.Dense(10, activation='softmax') # Çıkış katmanı
])
# Modeli derleme
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
Bu model, 28×28 boyutlarında el yazısı rakam görüntülerini alarak, onları 10 farklı sınıftan (0-9) birine atamayı amaçlamaktadır.
4. Modeli Eğitme
Modeli eğitmek için fit() fonksiyonu kullanılır. Burada, model eğitim verileri üzerinde çalışarak ağırlıklarını optimize eder.
pythonCopyEditmodel.fit(x_train, y_train, epochs=5)
Bu komut, modelin eğitim verileri üzerinden 5 kez (epoch) geçmesini sağlar.
5. Modeli Test Etme ve Değerlendirme
Eğitim tamamlandıktan sonra, modelin başarımını test veri kümesiyle değerlendirebiliriz:
pythonCopyEdittest_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"Test doğruluk oranı: {test_acc:.4f}")
Bu işlem, modelin gerçek dünyadaki veriler üzerindeki doğruluk oranını gösterir.
6. Modeli Kaydetme ve Kullanma
Eğitilen model daha sonra farklı projelerde kullanılmak üzere kaydedilebilir:
pythonCopyEditmodel.save("mnist_model.h5")
Kaydedilen modeli tekrar yükleyerek kullanabiliriz:
pythonCopyEditnew_model = keras.models.load_model("mnist_model.h5")
Bu şekilde model, daha sonraki tahminler veya yeni veriler üzerinde çalıştırmak için hazır hale getirilir.
TensorFlow’un Kullanım Alanları
TensorFlow, sadece el yazısı tanıma gibi basit görevlerle sınırlı değildir. Geniş bir kullanım alanına sahiptir:
- Görüntü İşleme: Nesne tanıma, yüz tanıma, görüntü segmentasyonu
- Doğal Dil İşleme (NLP): Metin analizi, çeviri, duygu analizi
- Ses ve Konuşma Tanıma: Sesli asistanlar, konuşma analizi
- Öneri Sistemleri: E-ticaret ve dijital platformlarda kişiselleştirilmiş öneriler
- Otonom Araçlar: Görüntü işleme ve sensör verileriyle sürüş sistemleri
TensorFlow, esnek yapısı sayesinde hem akademik araştırmalarda hem de büyük ölçekli ticari projelerde güvenle kullanılmaktadır.
TensorFlow, makine öğrenimi projeleri geliştirmek isteyen herkes için güçlü bir araçtır. Veri hazırlamadan model eğitimine kadar tüm süreçleri kapsayan bu platform, kullanıcı dostu API’si ile hem yeni başlayanlara hem de deneyimli geliştiricilere hitap eder.
Makine öğrenimi dünyasına adım atmak istiyorsanız, TensorFlow ile kendi modelinizi oluşturarak yapay zekanın gücünü keşfetmeye başlayabilirsiniz! 🚀