Identity Mapping

Matematik ve lineer cebirde özdeşlik dönüşümü veya birim matris, girdi olarak aldığı değerin aynısını döndüren bir işlevdir. Yapay zekâ (AI) ve derin öğrenme bağlamında özdeşlik eşleme, girdi verilerini doğrusal olmayan dönüşümler uygulamadan doğrudan bir evrişimli sinir ağının (CNN) sonraki katmanlarına aktarmak için kullanılan belirli bir mimari tekniktir. Bu kavram, 2015'te Artık Ağların (ResNet) tanıtılmasıyla yaygın biçimde benimsendi ve derin bilgisayarlı görü (CV) modellerinin yapılandırılma ve eğitilme biçimini kökten değiştirdi.

Özdeşlik Eşleme Nasıl Çalışır#

Derin sinir ağları sıklıkla kaybolan gradyan sorunuyla karşılaşır. Geri yayılım sırasında ağ ağırlıklarını güncellemek için kullanılan hata sinyalleri katmanlarda geriye doğru ilerlerken katlanarak küçülür ve erken katmanların etkili biçimde öğrenmesini engeller. Özdeşlik eşleme, "atlama bağlantıları" veya "kestirme bağlantılar" oluşturarak bu sorunu çözer.

Katmanlar, başvurulmamış yepyeni bir eşleme öğrenmeye zorlanmak yerine artık bir işlev öğrenmek üzere tasarlanır. Matematiksel olarak, bir bloğun girdisi x ise katman F(x) dönüşümünü öğrenir. Özdeşlik eşleme, özgün x girdisini doğrudan bu dönüşümün çıktısına ekleyerek nihai F(x) + x çıktısını verir. Böylece son derece derin ağlarda bile gradyanlar model omurgasından doğrudan ve engellenmeden akabilir. Google DeepMind ve OpenAI gibi saygın yapay zekâ araştırma kuruluşları, devasa temel modellerde eğitimi kararlı hâle getirmek için bu mimari kestirmelerden sıkça yararlanır.

Özdeşlik Eşleme ve Özdeşlik Koruma#

Özdeşlik eşlemeyi benzer adlı özdeşlik koruma kavramından ayırt etmek önemlidir.

Özdeşlik eşleme, makine öğrenimi (ML) eğitim akışını iyileştirmek için tasarlanmış bir sinir ağı kodlama yapısıyken özdeşlik koruma, ayrı bir bilgisayarlı görü görevidir. Özdeşlik koruma; nesne takibinde farklı video kareleri boyunca veya üretken yapay zekâ iş akışlarında oluşturulan görüntülerde belirli bir kişinin ya da nesnenin görsel tutarlılığını korumaya odaklanır.

Gerçek Dünya Uygulamaları#

Özdeşlik eşleme, günümüzde üretimde kullanılan birçok yüksek doğruluklu modelin temel yapı taşlarından biridir:

• Gelişmiş Nesne Tespiti: En yeni Ultralytics YOLO26 dâhil modern gerçek zamanlı mimariler, özellik çıkarma katmanlarında özdeşlik eşlemeleri içeren gelişmiş artık bloklarından yararlanır. Bu, ağ derinliği arttıkça performansı düşürmeden otonom sürüş gibi karmaşık ortamlarda yüksek hızlı ve hassas tespit yapılmasını sağlar.
• Görüntü Sınıflandırma Modelleri: arXiv ve IEEE Xplore Dijital Kütüphanesi gibi akademik depolarda ayrıntılı biçimde belgelenen son teknoloji görü mimarileri, yüzlerce katmana sahip modelleri başarıyla eğitmek için özdeşlik eşlemelerinden yararlanır. TensorFlow gibi yüksek seviyeli çerçeveler, devasa veri kümelerinden son derece karmaşık hiyerarşik özellikler çıkarmak için bu kestirmeleri kullanır.

PyTorch'ta Özdeşlik Eşleme Uygulama#

Özel sinir ağları oluştururken PyTorch gibi derin öğrenme çerçeveleri bu kestirmeleri kolayca uygulamak için yerleşik araçlar sunar. PyTorch nn.Identity modülünü açıkça kullanabilir veya nn.Module ileri geçişinde matematiksel toplama işlemini doğrudan uygulayabilirsin.

Aşağıdaki kod parçacığı, özdeşlik eşlemesi kullanan temel bir artık bloğunu gösteriyor. Veri kümesi yönetimi ve model eğitimi için bulut tabanlı Ultralytics Platform kullanan geliştiricilerin, bu yüksek düzeyde optimize edilmiş mimari yapılardan arka planda otomatik olarak yararlandığını unutma.

import torch.nn as nn


class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super().__init__()
        # Özellik çıkarmak için basit bir evrişim katmanı
        self.conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        # Açık özdeşlik eşleme modülü
        self.identity = nn.Identity()

    def forward(self, x):
        # Blok çıktısı, öğrenilen özelliklerle özdeşlik eşlemesinin toplamıdır
        return self.conv(x) + self.identity(x)