Identity Mapping

Matematikte ve doğrusal cebirde, bir birim dönüşüm veya birim matris, girdisi olarak kullanılan değerin aynısını döndüren bir fonksiyondur. Yapay zeka (AI) ve derin öğrenme bağlamında kimlik eşleme, girdi verilerini herhangi bir doğrusal olmayan dönüşüm olmaksızın bir evrişimli sinir ağının (CNN) sonraki katmanlarına doğrudan aktarmak için kullanılan belirli bir mimari tekniği ifade eder. Bu kavram, 2015 yılında derin bilgisayarlı görü (CV) modellerinin nasıl yapılandırıldığını ve eğitildiğini kökten değiştiren Artık Ağların (ResNet) tanıtılmasıyla büyük ölçüde popülerleşmiştir.

Identity Mapping Nasıl Çalışır#

Derin sinir ağları sıklıkla kaybolan gradyan sorunundan muzdariptir. Geri yayılım sırasında, ağ ağırlıklarını güncellemek için kullanılan hata sinyalleri, katmanlar arasında geriye doğru seyahat ederken katlanarak küçülür ve erken katmanların etkili bir şekilde öğrenmesini engeller. Kimlik eşleme, "atlama bağlantıları" veya "kestirme bağlantılar" oluşturarak bunu çözer.

Sıralı katmanları tamamen yeni ve referanssız bir eşlemeyi öğrenmeye zorlamak yerine, bir artık fonksiyonu öğrenecek şekilde tasarlanırlar. Matematiksel olarak, bir bloğa gelen girdi x ise, katman bir F(x) dönüşümü öğrenir. Kimlik eşleme, orijinal girdiyi x doğrudan bu dönüşümün çıktısına ekleyerek nihai çıktı olan F(x) + x sonucunu verir. Bu, son derece derin ağlarda bile gradyanların doğrudan model omurgası boyunca engellenmeden akabilmesini sağlar. Google DeepMind ve OpenAI gibi saygın yapay zeka araştırma kuruluşları, devasa temel modellerde eğitimi istikrara kavuşturmak için sıklıkla bu mimari kestirmelerden yararlanır.

Identity Mapping ve Kimlik Koruma (Identity Preservation)#

Kimlik eşlemeyi benzer şekilde adlandırılan kimlik koruma kavramından ayırmak çok önemlidir.

Kimlik eşleme, makine öğrenimi (ML) eğitim akışını optimize etmek için tasarlanmış bir sinir ağının yapısal bir kodlama özelliği iken, kimlik koruma ayrı bir bilgisayarlı görü görevidir. Kimlik koruma, nesne takibinde farklı video kareleri boyunca veya üretken yapay zeka iş akışlarında oluşturulan görseller üzerinde belirli bir kişinin veya nesnenin görsel tutarlılığını korumaya odaklanır.

Gerçek Dünya Uygulamaları#

Identity mapping, günümüzde üretimde kullanılan birçok yüksek doğruluklu modelin temel yapı taşı olarak hizmet eder:

• Gelişmiş Nesne Tespiti: En son Ultralytics YOLO26 dahil olmak üzere modern gerçek zamanlı mimariler, özellik çıkarma katmanları içinde kimlik haritaları içeren gelişmiş artık bloklar kullanır. Bu, ağ derinliği arttıkça performans düşüşü yaşamadan otonom sürüş gibi karmaşık ortamlarda yüksek hızlı, hassas tespiti gerçekleştirmelerini sağlar.
• Görüntü Sınıflandırma Modelleri: arXiv ve IEEE Xplore Digital Library gibi akademik depolarda kapsamlı bir şekilde belgelenen son teknoloji görü mimarileri, yüzlerce katmana sahip modelleri başarıyla eğitmek için kimlik eşlemelerine güvenir. TensorFlow gibi üst düzey çerçeveler, devasa veri setlerinden son derece karmaşık hiyerarşik özellikleri çıkarmak için bu kestirmeleri kullanır.

PyTorch İçinde Identity Mapping Uygulaması#

Özel sinir ağları oluştururken, PyTorch gibi derin öğrenme çerçeveleri bu kestirmeleri zahmetsizce uygulamak için yerel araçlar sağlar. PyTorch nn.Identity modülünü açıkça kullanabilir veya nn.Module ileri geçişiniz içinde basitçe matematiksel toplama uygulayabilirsiniz.

Aşağıdaki kod parçacığı, bir kimlik haritası kullanan temel bir artık bloğu göstermektedir. Veri seti yönetimi ve model eğitimi için bulut tabanlı Ultralytics Platform kullanan geliştiricilerin, arka planda bu son derece optimize edilmiş mimari yapılardan otomatik olarak yararlandığını unutmayın.

import torch.nn as nn


class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super().__init__()
        # A simple convolutional layer for feature extraction
        self.conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        # Explicit identity mapping module
        self.identity = nn.Identity()

    def forward(self, x):
        # The block output is the sum of the learned features and the identity map
        return self.conv(x) + self.identity(x)