 |
| Şekil 1. Tensorflow |
Tensorflow içerisinde data n-boyutlu bir dizi
olarak sunulur. Bu n- boyutlu dizilere
de TENSOR adı verilir. Graflar bu
veriler(Tensor) ve matematiksel işlemlerden oluşur.
Graflardaki Düğümler(Nodes on the Graph): Matematiksel işlemleri
temsil eder. (Nodes=Operations)
Graflardaki Kenarlar(Edges on the Graph ) : İşlemler arası
akan verileri(Tensor) temsil eder.(Edges=Tensors)
Aşağıdaki imgede basit bir TensorFlow diyagramı örneği gösterilmiştir. Anlaşılacağı üzere TensorFlow diyagramı
düğümler (nodes) oval şekilde ve
kenarlar(edges) ise dikdörtgen şekilde
ifade gösterilmiştir.
 |
| Şekil 2. Örnek bir Tensorflow grafı |
Tensorflow’un bu özellikleri kullanıcılara
karmaşık modelleri bile esnek biçimde tasarlama fırsatı tanımaktadır. Aynı
zamanda graflar arası akışın adım adım takip edimesi ve hesaplamaların
incelenmesi de mümkündür. Bunun gibi birçok üstün özellikleri sayabiliriz
TensorFlow için…
Gelelim grafların modellenmesine yani Tensorflow kütüphanesini kullanmaya…
Temel Yaklaşım: Başlangıçta graf oluşturulur
ve graf herhangi bir veriye sahip olmaz. Daha sonra graf
oluşturma tamamlandıktan sonra bir ‘Session ’ içerisinde run edilmesi
gereklidir.
Gelelim Python Komut satırından kütüphaneyi
kullanmaya … İlk olarak kütüphane import edilir.
 |
| Şekil 3. Tensorflow import edilmesi |
Graflar Tensorflow’un temelidir denilebilir.
Çünkü her bir hesaplama/işlem/değişken graf üzerinde yapılmaktadır.
Kod içerisinde yapılan herbir şey Tensorflow
tarafından sağlanan default Graflar üzerinde tutulur. Bu grafa Tensorflow
kütüphanesinin “get_default_graph()” metodu ile erişebiliriz.
PYTHON kodu>>>graph=tf.get_default_graph()
Graflar üzerinde yapılan tüm işlemlere
grafların “get_operations()” adlı metoduyla erişilebilir. Şu anda
çalıştırıldığında “[]” şeklinde bir çıktı verecektir. Çünkü graf üzerinde
yapılan herhangi bir işlem bulunmamaktadır.
PYTHON Kodu>>> graph.get_operations()
Graf üzerinde yapılan tüm işlemlerin
isimlerini öğrenmek için şu şekilde bir kod yazılabilir:
PYTHON Kodu>>>for op in
graph.get_operations() : print(op.name)
3.SESSION(Oturum):
Graflar bildiğimiz gibi işlemleri tanımlamak
için kullanılıyordu ama bu işlemler sadece bir Session(oturum) içerisinde run
edilir. Graflar ve Sessionlar birbirinden bağımsız şekilde oluşturulur. Aslında
graflar oluşturulan modelin teknik bir taslağı iken Sessionlar ise yapılan işin
çalışma sahasına benzer.
Graflar sadece
hesaplamaları belirler ve teknik taslağı oluşturur. Bir Session
içerisinde graf veya grafın bir kısmı çalıştırılmadığı sürece grafda ne bir değişken
ne bir değer vardır. Bir Session şu şeklilde oluşturulabilir:
PYTHON Kodu:
sess=tf.Session()
#…Yazılmak istenen kod buraya yazılabilir.
sess.close
Bir Session başlatıldığında sonlandırlması
gerektiği unutulmamalıdır. Alternatif olarak ‘with block’ yapısı
kullanılabilir.
PYTHON Kodu:
with tf.Session() as sess:
sess.run(f)
Bu şekilde kullanımın en önemli avantajı
Session’ın otomatik olarak kapanmasıdır. ‘With’ bloğunun sonlanmasıyla Session
da sonlanacaktır. Bu şekide kullanım oldukça popülerdir ve şiddetle tavsiye
edilmektedir.
4. TENSORS(N-Boyutlu Diziler):
Tensorflow verileri n-boyutlu
dizilerde(Tensors) tutar . Tıpki NUMPY n-boyutlu dizileri gibi. Ancak Tensorflow’un
oldukça fazla üstün yanları vardır.
a)
Constants(Sabitler): Değerleri değişmeyen
verilerdir. Şu şekilde tanımlama yapılabilir:
PYTHON Kodu:
A=tf.constant(5.0)
print(A)
Ancak burada Tensorflow’un diğer programlama
dillerinden farkı belirmektedir. Yukarıdaki gibi bir kod yazıldığında ‘A’
sabitinin değeri olan 5.0 çıktı olarak verilmeyecektir. Çünkü bir session
başlatılmadan değer ataması yapılamaz Tensorflow’da…
Bu koda Session başlatılarak değer çıktı
verilmesi gerekmektedir.
PYHON Kodu:
with tf.Session() as sess:
sess.run(A)
şeklinde bir kod yazılırsa 5.0 değeri çıktı
olarak alınabilecektir.
b)
Variables(Değişkenler):
Şu şekide tanımlama yapılabilir:
PYTHON Kodu:
B=tf.Variable(10.0,name=”test_degisken”)
Tensorflow içerisinde bu değişkenlerin
kullanılabilmesi için “initialize” edilmesi gerekmektedir. Bu konuda Tensorflow
sağladığı mekanizma ile sorunu bir satır kod ile halletmektedir.
Eğer TF versiyonu 0.11 ve daha öncesi ise
=> “init_op=tf.initialize_all_variables()”
Eğer TF versiyonu 0.12 ve daha sonrası
ise=> “init_op=tf.gloabal_variables_initializer()”
Şeklinde kullanılır ve değişkenler
‘initialize’ edilmiş olur.Daha sonra bu değişken default grafa eklenir ki bu
değişkene erişim mümkün olsun…
PYTHON Kodu:
with tf.Session() as sess:
sess.run(init_op)
print(sess.run(B))
şeklinde bir kod yazarak B değişkeni olan 10.0
değeri çıktı olarak verilir.
c)
PlaceHolders(Yer
Tutucular):İnitialize(ilkleme) ve Fed(veri besleme)
bekleyen tensorlardır.
PlaceHolder’lar eğitim zamanında
parametrelerin belirlenmesinde kullanılabilir. PlaceHolder’lar için veri
beslemesini key,value ikiliğini
kullanarak veri tutan ‘feed_dict’ adlı yapı sağlar. Mesela örnek bir çalışma
olarak 2 sayının çarpımını ekrana basalım.
PYTHON Kodu:
a=tf.placeholder("float")
b=tf.placeholder("float")
y=tf.mul(a,b) # iki sayının çarpımılmesi
feed_dict={a:5.0,b:10.0} # verilerin beslenmesi. Mesela eğitim esnasında güncellenen verileri bu şekilde bir
yapıyla besleyebiliriz.
with tf.Session() as sess: #graf yapısının üzerinde işlem yapabilmek
için Session başlatılıyor
print(sess.run(y,feed_dict)) # ‘feed_dict’ parametresine bağlı olarak
çarpma işlemi yapılıyor.
5. DEVICE in TENSORFLOW(TENSORFLOW’da AYGIT
)
Tensorflow’un diğer numerik hesaplama
kütüphanelerin oldukça fazla üstün yanları vardır. Bunlardan en önemlilerinden
birisi de dağıtık programlamaya imkan sağlayabilmesidir. Yazılan kod içesinde
farklı Session’lar oluşturarak her Session farklı bir aygıt
kullanılabilmektedir. Mesela bir görevi
CPU ile diğer bir görevi GPU kullanarak yapmak gibi.
 |
| Şekil 4. Tensorflow dağıtık programlama |
Burada önemli bir ayrıntıyı belirtmekte fayda
var: İş yükü dağılımı yapıldıktan sonra her bir iş yükü için ayrı bir Session
başlatılması gerekmektedir.
BASİT BİR TENSORFLOW ÖRNEĞİ :
Bu aşamada adım adım Linear Regression örneği yapılacaktır. Ama bundan önce gerekli metodları
tanımlamaya çalışalım:
a)
Rasgele
Normal Dağılım Oluşturma: Bu örnek için 784*10 büyüklüğünde ve standart sapması 0.01 olan
bir dağılım oluşturalım. Bu dağılım ağırlıklar(W) olarak kullanılacaktır.
PYTHON Kodu:
W=tf.Variable(tf.random_normal([784,10],stddev=0.01))
b)
Reduce_Mean:
Verilen bir dizinin ortalamasının bulunması
gerekmektedir.
PYTHON Kodu:
b=tf.Variable([10,20,30,40,50,60],name="t")
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(tf.reduce_mean(b)))
şeklindeki bir kod ile b dizisinin ortalamasını
bulabiliriz.
c)
ArgMax: Özel olarak belirlenen eksenler arasındaki max değerin elde edilmesi
Python Kodu:
a=[
[0.1,0.2,0.3],
[20 ,2 ,3 ]
]
b=tf.Variable(a,name='b')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(tf.argmax(b,1)))
şeklindeki kodun çıktısı her satırdaki max
değerlerin indexi olacaktır. Yani: [2,0] .
Linear Regression Örneği:
Öncelikle Linear Regression kısaca problem
uzayından verilerin sınıflandırılması için belirli lineer bir doğrunun
çıkarılması işlemidir. Bu işlem genellikle ANN yapısı kullanılarak çözülmeye
çalışılmaktadır.
Yapacağımız örnek için 100 adet veri noktası
oluşturulacak ve daha sonra bu verileri ifade eden eğri elde edilmeye çalışılacaktır.
Adım1: Eğitim datasının oluşturulması:
Python Kodu:
import tensorflow as tf
import numpy as np
trainX=np.linspace(-1,+1,101)
trainY=3* trainX+
np.random.randn(*trainX.shape)*0.33
şeklinde kod yazarak verileri oluşturduk.
Veriler tamamen rasgele varsayımlarla şu şekilde oluşmuştur. Sırasıyla (TrainX ve TrainY değerleri )
 |
| Şekil 5. Eğitim için koordinat sistemi için veriler |
 |
| Şekil 6. Şekil 5'teki verilerin koordinat sistemine yerleşmiş hali |
Adım2: PlaceHolder oluşturulması:
Python Kodu:
x=tf.placeholder("float")
y=tf.placeholder("float")
Adım3: Modelin oluşturulması:
Linear Regression modeli aslında “y_model=w*x”
denkliğine dayanır. Modelin eğitimi sırasında W değerleri optimize edilir. Cost parametresi için ise
“cost=(y_model-y)^2” şeklinde bir denklik kullanılabilir. Bu aşamada Tensorflow ağırlıkların optimize
edilmesi için her bir iterasyonda ağırlık güncellemelerini yapar. Bu çalışmada
oldukça popüler bir teknik olan “GradientDescentOptimizer” kullanılacaktır.
Parametre olarak “learning rate” değerini almaktadır.
Python Kodu:
w=tf.Variable(0.0,name="weights")
y_model=tf.mul(x,w)
cost=(tf.pow(y-y_model,2))
train_op=tf.train.GradientDescentOptimizer(0.01).minimize(cost)
Adım4: Eğitim yapılması:,
Bu aşamaya kadar sadece grafı tanımladık.
Herhangi bir hesaplama yapmadık. Bu aşamada ‘Session’ oluşturarak eğitim işlemi
yapılacaktır. Tabi öncelikle
değişkenlerin “global_variables_initializer()” metodu ile initialize edilmesi
gerekmektedir.
Python Kodu:
init=tf.global_variables_initializer() # değişkenlerin init edilmesi
with tf.Session() as sess:
sess.run(init)
for
i in range(100): # 100 epoch
for
(x,y) in zip(trainX,trainY):
sess.run(train_op,feed_dict={X:x,Y:y}) # ağırlıklar optimize edilir.
print(sess.run(w)) # en son olarak belirlenen ağırlık ekranan
yazdırılır.
Şeklinde kod yazarak eğitim işlemi 100
iterasyon ile yapılmış oldu. Amaç eğrinin y=w*x şeklinde ifade
edilmesiydi. Bu eğitim kısmında w
değerinin optimize edilmesi gerçeklendi.
Veriler rasgele oluşturulmasına rağmen y değerinin denklemini biz
belirlediğimiz için w değerinin 3 değeri civarında bir değer olduğunu tahmin
edebiliriz.
Sonuç olarak sıklıkla yapılan bir hatadan
bahsetmekte fayda var. Daha önceden Session olayından bahsetmiştik. Aslında
hesaplamaların döndüğü kısım olarak da ifade edebilmiştik. Buna bağlı olarak da
her session kendine özgü hesaplamalara sahiptir, diyebiliriz. Mesela ; yukarıda
yazdığımız koda ilave olarak şöyle bir Session oluşturalım:
Python Kodu:
with
tf.Session() as sess:
sess.run(init)
print(sess.run(w))
Bu kodun çıktısı ne olabilir? Cevabımız çok
basit: Tensorflow mimarisi gereği 0.0 !!! Çünkü farklı bir Session içerisinde
aynı değerlerin elde edilebilmesi için aynı hesaplamaların yapılması gerekmektedir…
SONUÇ:
Bu
yazıda WEB üzerinde çeşitli dökümanları kullanarak TENSORFLOW kütüphanesinin
giriş seviyesinde bilgilerini aktarmaya çalıştım. Bir nebze olsun faydam
olduysa ne mutlu bana…J
Gerek Deep Learning ile ilgili gerekse
Tensorflow ile ilgili öğrendiğim şeyleri fırsat buldukça paylaşmayı
düşünüyorum.
Teşekkürler. Kolay gelsin . İyi çalışmalar…
NOT: Buradan Standford Üniversitesi'ndeki "Tensorflow for Deep Learning" dersini takip edebilirsiniz. Oldukça faydalı dökümanlar mevcut.
YASİR KILIÇ
SELÇUK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
Bilgisayar Mühendisliği (Tezli Yüksek
Lisans öğrencisi)
MAİL:
14yasir@gmail.com
KAYNAKLAR:
[3] http://web.stanford.edu/class/cs20si/syllabus.html
