Autoencoder

Otomatik kodlayıcı, öncelikle denetimsiz öğrenme görevlerinde kullanılan özel bir yapay sinir ağı türüdür. Otomatik kodlayıcının temel amacı, genellikle boyut azaltma veya özellik öğrenme amacıyla bir veri kümesi için sıkıştırılmış ve verimli bir gösterim (kodlama) öğrenmektir. Harici bir hedef etiketi tahmin eden denetimli modellerin aksine, otomatik kodlayıcı kendi girdi verilerini mümkün olduğunca doğru şekilde yeniden oluşturarak eğitilir. Veriler ağ içindeki bir "darboğazdan" geçirildiğinde model, gürültüyü ve tekrarı ortadan kaldırarak en önemli özelliklere öncelik vermek zorunda kalır.

Otomatik Kodlayıcılar Nasıl Çalışır?#

Bir otomatik kodlayıcının mimarisi simetriktir ve iki ana bileşenden oluşur: kodlayıcı ve kod çözücü. Kodlayıcı, görüntü veya sinyal gibi girdileri, genellikle gizli uzay gösterimi veya embedding'ler olarak adlandırılan daha düşük boyutlu bir koda sıkıştırır. Bu gizli uzay, ağdan geçebilecek bilgi miktarını sınırlayan bir darboğaz görevi görür.

Kod çözücü daha sonra bu sıkıştırılmış gösterimi alır ve özgün girdiyi bundan yeniden oluşturmaya çalışır. Ağ, özgün girdi ile oluşturulan çıktı arasındaki farkı ölçen yeniden oluşturma hatasını veya kayıp fonksiyonunu en aza indirerek eğitilir. Model, geri yayılım yoluyla önemsiz verileri (gürültüyü) göz ardı etmeyi ve girdinin temel yapısal unsurlarına odaklanmayı öğrenir.

Gerçek Dünya Uygulamaları#

Otomatik kodlayıcılar, çeşitli yapay zeka ve veri analitiği alanlarında kullanılan çok yönlü araçlardır. Verilerin altında yatan yapıyı anlama yetenekleri, onları çeşitli pratik görevler için değerli kılar.

Görüntü Gürültü Giderme#

En yaygın uygulamalardan biri görüntü gürültü gidermedir. Bu senaryoda model, gürültülü görüntü (girdi) ve temiz görüntü (hedef) çiftleriyle eğitilir. Otomatik kodlayıcı, bozulmuş girdiyi temiz sürüme eşlemeyi öğrenerek grenleri, bulanıklığı veya artefaktları etkili bir şekilde filtreler. Bu, tanı için netliğin büyük önem taşıdığı tıbbi görüntü analizi gibi alanlarda veya görsel veriler YOLO26 gibi bir nesne algılayıcıya aktarılmadan önce verilerin ön işlenmesinde kritik öneme sahiptir.

Anomali Tespiti#

Otomatik kodlayıcılar, üretim ve siber güvenlikte anomali tespiti için oldukça etkilidir. Model, "normal" verileri düşük hatayla yeniden oluşturmak üzere eğitildiğinden anormal veya daha önce görülmemiş veri örüntülerini yeniden oluşturmakta zorlanır. Olağandışı bir girdi (örneğin montaj hattındaki kusurlu bir parça veya sahte bir ağ paketi) işlendiğinde yeniden oluşturma hatası önemli ölçüde yükselir. Bu yüksek hata, olası her kusura ait etiketli örnekler gerektirmeden sistemi olası bir sorun konusunda uyaran bir işaret görevi görür.

Otomatik Kodlayıcı ve İlgili Kavramlar#

Özel kullanım alanlarını anlamak için otomatik kodlayıcıları benzer makine öğrenimi kavramlarından ayırmak faydalıdır.

• Temel Bileşen Analizine (PCA) kıyasla: Her iki teknik de boyut azaltma için kullanılır. Ancak PCA doğrusal dönüşümlerle sınırlıyken, otomatik kodlayıcılar doğrusal olmayan aktivasyon fonksiyonlarını kullanarak veriler içindeki karmaşık, doğrusal olmayan ilişkileri keşfedebilir.
• Üretici Çekişmeli Ağlara (GANs) kıyasla: Her ikisi de görüntü oluşturabilse de GANs, rastgele gürültüden tamamen yeni ve gerçekçi örnekler oluşturmak üzere tasarlanmıştır. Buna karşılık standart otomatik kodlayıcılar, belirli girdileri aslına sadık biçimde yeniden oluşturmaya odaklanır. Ancak Varyasyonel Otomatik Kodlayıcı (VAE) adı verilen bir varyant, olasılıksal bir gizli uzay öğrenerek bu iki yaklaşım arasındaki boşluğu kapatır ve üretici yapay zeka yetenekleri sağlar.

Uygulama Örneği#

Nesne algılama gibi üst düzey görevler en iyi şekilde YOLO26 gibi modeller tarafından gerçekleştirilse de PyTorch'ta basit bir otomatik kodlayıcı oluşturmak, kodlayıcı-kod çözücü yapısının anlaşılmasına yardımcı olur. Bu mantık, Ultralytics Platformunun kullandığı karmaşık mimarileri anlamanın temelini oluşturur.

import torch
import torch.nn as nn


# A simple Autoencoder class
class SimpleAutoencoder(nn.Module):
    def __init__(self):
        super().__init__()
        # Encoder: Compresses input (e.g., 28x28 image) to 64 features
        self.encoder = nn.Linear(28 * 28, 64)
        # Decoder: Reconstructs the 64 features back to 28x28
        self.decoder = nn.Linear(64, 28 * 28)

    def forward(self, x):
        # Flatten input, encode with ReLU, then decode with Sigmoid
        encoded = torch.relu(self.encoder(x.view(-1, 784)))
        decoded = torch.sigmoid(self.decoder(encoded))
        return decoded


# Initialize the model
model = SimpleAutoencoder()
print(f"Model Structure: {model}")

Araştırmacılar ve geliştiriciler için otomatik kodlayıcılarda uzmanlaşmak, modern bilgisayarlı görü sistemlerinin temel bileşenlerinden biri olan özellik çıkarma konusunda derin bir anlayış sağlar. İster eğitimden önce verileri temizlemek ister üretimde aykırı değerleri tespit etmek için kullanılsın, otomatik kodlayıcılar derin öğrenme araç setinin temel unsurlarından biri olmaya devam eder.