Keras Nedir? Kurulumu ve Kullanımı Hakkında Detaylı Rehber

1. Keras Nedir?

Keras, derin öğrenme modellerini hızlı ve kolay bir şekilde oluşturmak için kullanılan üst düzey bir sinir ağları kütüphanesidir. Python ile yazılmıştır ve TensorFlow, Theano ve Microsoft Cognitive Toolkit (CNTK) gibi alt seviye derin öğrenme çerçeveleri üzerinde çalışır. Keras, kullanıcı dostu arayüzü sayesinde hızlı prototipleme yapmayı mümkün kılar ve makine öğrenimi (ML) ile yapay zeka (AI) projelerinde yaygın olarak kullanılır.

Keras’ın Öne Çıkan Özellikleri

• Kullanıcı Dostu API: Basit ve anlaşılır bir arayüz sunar.

• Modüler Yapı: Katmanlar, optimizasyon algoritmaları ve kayıp fonksiyonları kolayca birleştirilebilir.

• TensorFlow Entegrasyonu: TensorFlow 2.0 ile tam uyumludur (tf.keras olarak dahili olarak gelir).

• Çoklu Backend Desteği: TensorFlow, Theano ve CNTK ile çalışabilir.

• GPU ve TPU Desteği: Büyük ölçekli modelleri hızlandırmak için kullanılabilir.

2. Keras Kurulumu

Keras’ı kullanabilmek için öncelikle Python ve gerekli bağımlılıkların yüklü olması gerekir. İşte adım adım kurulum rehberi:

Adım 1: Python’un Yüklenmesi

Keras, Python 3.6 ve üzeri sürümlerle uyumludur. Eğer Python yüklü değilse:

• Python resmi sitesinden en son sürümü indirin.

• Kurulum sırasında “Add Python to PATH” seçeneğini işaretleyin.

Adım 2: pip ile Keras ve TensorFlow Yükleme

Keras genellikle TensorFlow backend’i ile kullanılır. Kurulum için terminalde şu komutu çalıştırın:

pip install tensorflow keras

(TensorFlow, Keras’ı içinde barındırır, bu yüzden ayrıca keras kurmak gerekmez, ancak eski sürümler için gerekebilir.)

Adım 3: Kurulumun Doğrulanması

Python’da aşağıdaki kodu çalıştırarak kurulumu test edebilirsiniz:

import tensorflow as tf
from tensorflow import keras
print("TensorFlow version:", tf.__version__)
print("Keras version:", keras.__version__)

Eğer herhangi bir hata almazsanız, kurulum başarılıdır.

3. Keras ile İlk Sinir Ağı Modeli Oluşturma

Keras’ın temel kullanımını anlamak için basit bir Yapay Sinir Ağı (YSA) modeli oluşturalım. Örnek olarak MNIST el yazısı rakam tanıma veri setini kullanacağız.

Adım 1: Gerekli Kütüphaneleri Yükleme

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

Adım 2: Veri Setini Yükleme ve Ön İşleme

# MNIST veri setini yükle
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# Veriyi normalize et (0-255 arası değerleri 0-1 arasına ölçekle)
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

Adım 3: Model Mimarisi Oluşturma

model = keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # Giriş katmanı (28x28 piksel)
    layers.Dense(128, activation='relu'),  # 128 nöronlu gizli katman
    layers.Dense(10, activation='softmax') # Çıkış katmanı (10 sınıf)
])

Adım 4: Modeli Derleme

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

Adım 5: Modeli Eğitme

history = model.fit(
    x_train, y_train,
    epochs=5,
    batch_size=32,
    validation_data=(x_test, y_test)
)

Adım 6: Modeli Değerlendirme

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test Doğruluğu: {test_acc}")

4. Keras ile Yaygın Kullanım Senaryoları

1. Evrişimli Sinir Ağları (CNN) ile Görüntü Sınıflandırma

model = keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(10, activation='softmax')
])

2. Tekrarlayan Sinir Ağları (RNN) ile Zaman Serisi Tahmini

model = keras.Sequential([
    layers.LSTM(64, input_shape=(10, 1)),  # 10 zaman adımlı veri
    layers.Dense(1)
])

3. Transfer Öğrenme ile Model Geliştirme (VGG16 Kullanımı)

base_model = keras.applications.VGG16(weights='imagenet', include_top=False)
model = keras.Sequential([
    base_model,
    layers.GlobalAveragePooling2D(),
    layers.Dense(1, activation='sigmoid')
])

5. Keras Kullanırken Karşılaşılabilecek Sorunlar ve Çözümleri

6. Sonuç

Keras, derin öğrenme modellerini hızlı ve kolay bir şekilde oluşturmak için mükemmel bir kütüphanedir. TensorFlow ile entegre çalışması, kullanıcı dostu API’si ve geniş dokümantasyonu sayesinde yapay zeka ve makine öğrenimi projelerinde sıklıkla tercih edilir. Bu rehberde Keras’ın kurulumu, temel kullanımı ve yaygın senaryoları ele alınmıştır.

Eğer Keras ile ilgili daha fazla bilgi edinmek isterseniz, resmi dokümantasyonu inceleyebilirsiniz:
🔗 Keras Resmi Dokümantasyon

#Keras #DerinÖğrenme #YapayZeka #TensorFlow #Python #MachineLearning