Recurrent Neural Network (RNN)

Tekrarlayan Sinir Ağı (RNN), metin, genomlar, el yazısı veya konuşulan dil gibi veri dizilerindeki kalıpları tanımak için özel olarak tasarlanmış bir yapay sinir ağı türüdür. Tüm girişlerin (ve çıkışların) birbirinden bağımsız olduğunu varsayan geleneksel ileri beslemeli ağların aksine, RNN'ler bir tür bellek tutar. Bu dahili bellek, girişleri önceki bilgilerle birlikte anlamlandırarak işlemelerine olanak tanır ve bu da onları bağlamın ve zamansal sıranın kritik olduğu görevler için benzersiz bir şekilde uygun kılar. Bu mimari, insanların bilgiyi işleme biçimini taklit eder; örneğin bir cümleyi okumak, mevcut olanı anlamak için önceki kelimeleri hatırlamayı gerektirir.

Link to this sectionRNN'ler Nasıl Çalışır#

Bir RNN'in temel inovasyonu, döngü yapısıdır. Standart bir ileri beslemeli ağda, bilgi yalnızca tek yönde akar: girişten çıkışa. Buna karşılık bir RNN, bilginin kalıcı olmasına olanak tanıyan bir geri bildirim döngüsüne sahiptir. Ağ bir diziyi işlerken, ağın kısa süreli belleği işlevi gören bir vektör olan bir "gizli durum" tutar. Her zaman adımında, RNN mevcut girişi ve önceki gizli durumu alarak bir çıktı üretir ve gizli durumu bir sonraki adım için günceller.

Bu sıralı işleme yeteneği, Doğal Dil İşleme (NLP) ve zaman serisi analizi için gereklidir. Ancak standart RNN'ler, ağın dizi uzadıkça önceki girişleri unuttuğu kaybolan gradyan sorunu nedeniyle genellikle uzun dizilerle çalışırken zorlanır. Bu sınırlama, bilgi akışını daha uzun süreler boyunca daha iyi düzenlemek için mekanizmalar sunan Uzun Kısa Süreli Bellek (LSTM) ağları ve Kapılı Tekrarlayan Birimler (GRU) gibi daha gelişmiş varyantların geliştirilmesine yol açmıştır.

Link to this sectionGerçek Dünya Uygulamaları#

Tekrarlayan Sinir Ağları, makinelerin sıralı verileri anlamasını sağlayarak birçok endüstriyi dönüştürmüştür. İşte iki önemli örnek:

1. Makine Çevirisi: Google Translate gibi hizmetler, metni bir dilden diğerine dönüştürmek için başlangıçta RNN tabanlı mimarilere (özellikle diziden diziye modellere) büyük ölçüde güveniyordu. Ağ, tüm giriş cümlesini (örneğin İngilizce) okur ve bir bağlam vektörü oluşturur, ardından bunu gramer tutarlılığını sağlamak için çevrilmiş çıktıyı (örneğin Fransızca) kelime kelime oluşturmak amacıyla kullanır.

2. Tahminli Yazım ve Otomatik Düzeltme: Akıllı telefonunuzda yazı yazarken klavye bir sonraki olası kelimeyi önerir. Bu, genellikle RNN'ler ile eğitilmiş bir dil modeli tarafından desteklenir. Model, daha önce yazdığınız kelime dizisini analiz ederek en olası bir sonraki kelimeyi tahmin eder ve kullanıcı hızını ve doğruluğunu artırır. Benzer bir mantık, konuşulan sesi metne dönüştüren konuşma tanıma sistemleri için de geçerlidir.

Link to this sectionRNN'ler vs. CNN'ler ve Transformer'lar#

RNN'leri diğer ana mimarilerden ayırmak faydalıdır. Bir Evrişimli Sinir Ağı (CNN), öncelikli olarak görüntüler gibi uzamsal veriler için tasarlanmış olup şekilleri ve nesneleri tanımlamak için piksel ızgaralarını işler. Örneğin, Ultralytics YOLO26, gerçek zamanlı nesne algılama için güçlü bir CNN omurgası kullanır. Bir CNN "bu görüntüde ne var?" sorusunda mükemmelken, bir RNN "bu videoda bundan sonra ne olacak?" sorusunda mükemmeldir.

Daha yakın zamanda, Transformer mimarisi, birçok karmaşık NLP görevi için RNN'lerin yerini büyük ölçüde almıştır. Transformer'lar, dizileri sıralı değil, paralel olarak işlemek için bir dikkat mekanizması kullanır. Ancak RNN'ler, belirli düşük gecikmeli, kaynak kısıtlı yayın uygulamaları için oldukça verimli olmaya devam etmekte ve basit zaman serisi tahminleri için uç cihazlarda dağıtılması daha kolaydır.

Link to this sectionPyTorch Uygulama Örneği#

Modern bilgisayarlı görü görevleri genellikle CNN'lere dayansa da, hibrit modeller video karelerinden çıkarılan zamansal özellikleri analiz etmek için RNN'leri kullanabilir. Aşağıda, bir veri dizisini işleyen temel bir RNN katmanı oluşturmak için PyTorch kullanan basit ve çalıştırılabilir bir örnek bulunmaktadır.

import torch
import torch.nn as nn

# Define a basic RNN layer
# input_size: number of features in the input (e.g., 10 features per time step)
# hidden_size: number of features in the hidden state (memory)
# batch_first: input shape will be (batch, seq, feature)
rnn = nn.RNN(input_size=10, hidden_size=20, num_layers=1, batch_first=True)

# Create a dummy input: Batch size 1, Sequence length 5, Features 10
input_seq = torch.randn(1, 5, 10)

# Forward pass through the RNN
# output contains the hidden state for every time step
# hn contains the final hidden state
output, hn = rnn(input_seq)

print(f"Output shape: {output.shape}")  # Expected: torch.Size([1, 5, 20])
print(f"Final hidden state shape: {hn.shape}")  # Expected: torch.Size([1, 1, 20])

Link to this sectionZorluklar ve Gelecek Görünümü#

Faydalarına rağmen, RNN'ler hesaplama engelleriyle karşılaşır. Sıralı işleme, paralelleştirmeyi engeller ve bu da eğitimi GPU üzerindeki Transformer'lara kıyasla daha yavaş hale getirir. Ayrıca, patlayan gradyan problemini yönetmek, dikkatli bir hiperparametre ayarı ve gradyan kırpma gibi teknikler gerektirir.

Yine de RNN'ler, Derin Öğrenme (DL) alanında temel bir kavram olmaya devam etmektedir. Yapay Zeka (AI) gelişimini anlamanın ayrılmaz bir parçasıdırlar ve IoT sensörleri için basit anomali algılama sistemlerinde hala yaygın olarak kullanılmaktadırlar. Görüntü modellerini dizi tahmincileriyle birleştirmek gibi karmaşık işlem hatları oluşturan geliştiriciler için veri setlerini ve eğitim iş akışlarını yönetmek çok önemlidir. Ultralytics Platform, bu süreci basitleştirerek verileri yönetmek ve modelleri çeşitli ortamlarda verimli bir şekilde dağıtmak için araçlar sunar.