TensorFlow Nedir? Detaylı Kurulum Rehberi ve Kapsamlı Kullanım Kılavuzu

Giriş: TensorFlow’un Dünyasına Genel Bakış

TensorFlow, Google tarafından geliştirilen açık kaynaklı bir makine öğrenimi ve derin öğrenme kütüphanesidir. Veri akışı ve diferansiyel programlama için kullanılan bu güçlü araç, özellikle büyük ölçekli makine öğrenimi modellerinin geliştirilmesi ve dağıtılması için tasarlanmıştır. TensorFlow’un esnek yapısı, hem yeni başlayanlar hem de deneyimli veri bilimcileri için ideal bir platform sunar.

Bu kapsamlı rehberde, TensorFlow’un temel kavramlarını, kurulum sürecini, çeşitli kullanım senaryolarını ve en iyi uygulamaları detaylı bir şekilde ele alacağız. Makalenin sonunda, TensorFlow’u kendi projelerinizde etkin bir şekilde kullanmaya başlayabilecek düzeyde bilgi sahibi olacaksınız.

TensorFlow’un Tarihçesi ve Gelişimi

TensorFlow’un kökenleri, Google’ın iç makine öğrenimi sistemleri olan DistBelief’e dayanır. 2015 yılında açık kaynak olarak piyasaya sürülen TensorFlow, o günden bu yana sürekli geliştirilmekte ve geniş bir kullanıcı kitlesi tarafından benimsenmektedir.

TensorFlow 2.0’nin 2019’da piyasaya sürülmesiyle birlikte, kütüphane kullanıcı dostu bir arayüz, daha basit bir API ve gelişmiş performans özellikleri kazandı. Günümüzde TensorFlow, akademik araştırmalardan endüstriyel uygulamalara kadar geniş bir yelpazede kullanılmaktadır.

TensorFlow’un Temel Özellikleri ve Avantajları

TensorFlow’u bu kadar popüler yapan birçok önemli özellik bulunmaktadır:

1. Platform Bağımsızlığı: Windows, Linux, macOS ve mobil platformlarda çalışabilme

2. Dağıtık Hesaplama Desteği: Birden fazla CPU ve GPU üzerinde paralel işlem yapabilme

3. Yüksek Seviye API’ler: Keras entegrasyonu sayesinde basit ve anlaşılır arayüz

4. TensorBoard: Model eğitiminin görselleştirilmesi için güçlü bir araç

5. Üretim Hazırlığı: Eğitilen modellerin kolayca dağıtılabilmesi

6. Geniş Topluluk Desteği: Aktif bir geliştirici topluluğu ve zengin dokümantasyon

7. Önceden Eğitilmiş Modeller: Transfer öğrenimi için hazır modellerin bulunması

TensorFlow Kurulum Rehberi

TensorFlow kurulumu, kullanıcının işletim sistemine ve donanım özelliklerine göre farklılık gösterebilir. Aşağıda, tüm popüler platformlar için detaylı kurulum adımlarını bulabilirsiniz.

Ön Koşullar

TensorFlow’u kurmadan önce sisteminizin aşağıdaki gereksinimleri karşıladığından emin olun:

• Python 3.5-3.8 (TensorFlow 2.x için)

• pip paket yöneticisi (güncel versiyon)

• 64-bit işletim sistemi

• GPU desteği için CUDA ve cuDNN kurulumu (isteğe bağlı)

Windows’ta TensorFlow Kurulumu

1. Python’un Kurulumu:

   • Python’un resmi sitesinden en son 3.x sürümünü indirin

   • Kurulum sırasında “Add Python to PATH” seçeneğini işaretleyin

   • Kurulumu tamamladıktan sonra komut istemini açıp python --version yazarak kontrol edin

2. Virtual Environment Oluşturma (Önerilen):

   Copy

   python -m venv tensorflow_env
   tensorflow_envScriptsactivate

3. TensorFlow’un Kurulumu:

   • CPU versiyonu için:

     Copy

     pip install tensorflow

   • GPU desteği için:

     Copy

     pip install tensorflow-gpu

4. Kurulumun Doğrulanması:
   Python kabuğunu açıp aşağıdaki kodu çalıştırın:

   python

   Copy

   import tensorflow as tf
   print(tf.__version__)
   print("TensorFlow kurulumu başarılı:", tf.test.is_built_with_cuda())

macOS’ta TensorFlow Kurulumu

1. Homebrew ile Python Kurulumu:

   Copy

   brew install python

2. Virtual Environment Oluşturma:

   Copy

   python3 -m venv tensorflow_env
   source tensorflow_env/bin/activate

3. TensorFlow Kurulumu:

   Copy

   pip install tensorflow

4. Kurulum Testi:
   Python kabuğunda:

   python

   Copy

   import tensorflow as tf
   tf.constant('Hello, TensorFlow!').numpy()

Linux’ta TensorFlow Kurulumu (Ubuntu/Debian Örneği)

1. Sistem Güncellemeleri:

   Copy

   sudo apt update
   sudo apt upgrade

2. Python ve pip Kurulumu:

   Copy

   sudo apt install python3 python3-pip python3-venv

3. Virtual Environment:

   Copy

   python3 -m venv ~/tensorflow_env
   source ~/tensorflow_env/bin/activate

4. TensorFlow Kurulumu:

   Copy

   pip install --upgrade pip
   pip install tensorflow

5. GPU Desteği İçin Ek Kurulumlar:

   • NVIDIA sürücülerinin kurulu olduğundan emin olun

   • CUDA Toolkit ve cuDNN kurulumu yapın

   • Detaylar için TensorFlow’un resmi dokümantasyonunu inceleyin

Google Colab ile TensorFlow Kullanımı

TensorFlow’u yerel makinenize kurmak istemiyorsanız, Google Colab ücretsiz bulut tabanlı bir alternatif sunar:

1. https://colab.research.google.com adresine gidin

2. Yeni bir notebook oluşturun

3. İlk hücreye şunu yazın:

   python

   Copy

   %tensorflow_version 2.x
   import tensorflow as tf
   print(tf.__version__)

4. Hücreyi çalıştırın

Colab, GPU ve hatta TPU’lara ücretsiz erişim sağlar, bu da büyük modellerin eğitimi için idealdir.

TensorFlow Kurulum Sonrası Yapılandırma

TensorFlow’u başarıyla kurduktan sonra, optimal performans için bazı yapılandırmalar yapmak faydalı olacaktır.

GPU Desteğinin Doğrulanması

TensorFlow’un GPU’nuzu tanıyıp tanımadığını kontrol etmek için:

import tensorflow as tf
print("GPU'lar:", tf.config.list_physical_devices('GPU'))
print("TensorFlow GPU'yu kullanıyor mu?", "Evet" if tf.test.is_gpu_available() else "Hayır")

Bellek Büyüme Ayarları

GPU bellek kullanımını optimize etmek için:

gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

TensorFlow’un CPU Özelliklerini Optimize Etme

Modern CPU’lardan en iyi şekilde yararlanmak için:

tf.config.threading.set_intra_op_parallelism_threads(4)
tf.config.threading.set_inter_op_parallelism_threads(4)

TensorFlow’un Temel Bileşenleri

TensorFlow ekosistemini anlamak için temel bileşenlerini bilmek önemlidir.

Tensörler (Tensors)

TensorFlow’da veriler tensörlerle temsil edilir. Tensörler, çok boyutlu diziler olarak düşünülebilir:

# Skaler (0 boyutlu tensör)
scalar = tf.constant(5)

# Vektör (1 boyutlu tensör)
vector = tf.constant([1, 2, 3])

# Matris (2 boyutlu tensör)
matrix = tf.constant([[1, 2], [3, 4]])

# 3 boyutlu tensör
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

Grafikler (Graphs) ve Eager Execution

TensorFlow 1.x’te hesaplamalar bir hesaplama grafiği olarak tanımlanırdı. TensorFlow 2.x’te ise Eager Execution varsayılan olarak etkindir:

# Eager Execution örneği
a = tf.constant(3)
b = tf.constant(4)
c = a + b
print(c.numpy())  # Hemen hesaplanır ve sonuç döndürülür

Değişkenler (Variables)

Model parametrelerini saklamak için kullanılır:

my_var = tf.Variable(initial_value=5.0, name="my_variable")
my_var.assign(10.0)  # Değeri değiştirme

Katmanlar (Layers) ve Modeller (Models)

TensorFlow’da sinir ağı katmanları tf.keras.layers modülünde bulunur:

from tensorflow.keras import layers

layer = layers.Dense(units=10, activation='relu')

TensorFlow ile İlk Sinir Ağı Modeli

Temel bir sinir ağı modeli oluşturup eğitelim:

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

# Veri setini yükleme (MNIST)
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # Normalizasyon

# Model oluşturma
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10, activation='softmax')
])

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

# Modeli eğitme
history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

# Değerlendirme
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"nTest doğruluğu: {test_acc*100:.2f}%")

TensorFlow’un Gelişmiş Özellikleri

Özel Katmanlar ve Modeller Oluşturma

TensorFlow, özel katmanlar ve modeller oluşturmanıza olanak tanır:

class MyDenseLayer(tf.keras.layers.Layer):
    def __init__(self, units=32):
        super(MyDenseLayer, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(
            shape=(input_shape[-1], self.units),
            initializer="random_normal",
            trainable=True,
        )
        self.b = self.add_weight(
            shape=(self.units,), initializer="random_normal", trainable=True
        )

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

Veri Artırma (Data Augmentation)

Görüntü veri setlerini büyütmek için:

data_augmentation = tf.keras.Sequential([
    layers.experimental.preprocessing.RandomFlip("horizontal"),
    layers.experimental.preprocessing.RandomRotation(0.1),
    layers.experimental.preprocessing.RandomZoom(0.1),
])

Transfer Öğrenimi (Transfer Learning)

Önceden eğitilmiş modelleri kullanma:

base_model = tf.keras.applications.MobileNetV2(
    input_shape=(224, 224, 3),
    include_top=False,
    weights='imagenet'
)

base_model.trainable = False  # Temel modelin ağırlıklarını dondur

model = tf.keras.Sequential([
    base_model,
    layers.GlobalAveragePooling2D(),
    layers.Dense(1, activation='sigmoid')
])

TensorBoard ile Model Görselleştirme

TensorFlow’un güçlü görselleştirme aracı TensorBoard’u kullanma:

# Model eğitimine TensorBoard callback ekleme
tensorboard_callback = tf.keras.callbacks.TensorBoard(
    log_dir='./logs',
    histogram_freq=1,
    profile_batch='500,520'
)

model.fit(x_train, y_train,
          epochs=5,
          validation_data=(x_test, y_test),
          callbacks=[tensorboard_callback])

# TensorBoard'u başlatmak için terminalde:
# tensorboard --logdir=./logs

TensorFlow Model Dağıtımı

Eğitilmiş bir modeli kaydetme ve yükleme:

# Modeli kaydetme
model.save('my_model.h5')

# Modeli yükleme
new_model = tf.keras.models.load_model('my_model.h5')

# TensorFlow Serving için SavedModel formatında kaydetme
tf.saved_model.save(model, 'saved_model/1')

TensorFlow.js ile Web’de Çalıştırma

TensorFlow modellerini web tarayıcılarında çalıştırmak için:

1. Modeli TensorFlow.js formatına dönüştürün:

   Copy

   pip install tensorflowjs
   tensorflowjs_converter --input_format=keras my_model.h5 ./tfjs_model

2. Web sayfasında modeli yükleyin:

   html

   Copy

   <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@3.0.0/dist/tf.min.js"></script>
   <script>
       async function loadModel() {
           const model = await tf.loadLayersModel('tfjs_model/model.json');
           return model;
       }
   </script>

   Run HTML

TensorFlow Lite ile Mobil Cihazlarda Çalıştırma

Mobil cihazlar için optimize edilmiş modeller oluşturma:

# TensorFlow Lite'a dönüştürme
converter = tf.lite.TFLiteConverter.from_keras_model(model)
tflite_model = converter.convert()

# .tflite dosyasını kaydetme
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

TensorFlow ve Performans Optimizasyonu

GPU Kullanımını Optimize Etme

# GPU bellek kullanımını ayarlama
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    try:
        # Sadece ihtiyaç duyulan bellek miktarını ayır
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

Veri Pipeline’ını Optimize Etme

# tf.data API ile veri yükleme performansını artırma
dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
dataset = dataset.shuffle(buffer_size=1024).batch(64).prefetch(tf.data.AUTOTUNE)
model.fit(dataset, epochs=5)

Mixed Precision Training

# Mixed precision kullanımı (GPU'lar için)
policy = tf.keras.mixed_precision.Policy('mixed_float16')
tf.keras.mixed_precision.set_global_policy(policy)

TensorFlow ile Yaygın Makine Öğrenimi Görevleri

Görüntü Sınıflandırma

# CNN modeli oluşturma
model = models.Sequential([
    layers