CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Özet - Autograd

Bu grupta autograd, requires_grad ve backward() öğrendin.

Özet: autograd

Bu grupta:

  • requires_grad=True tensörler izlenir; türetilen tensörler de izlenir.
  • backward() skaler bir sonuçtan gradyanları hesaplar, yaprakların .grad'ını doldurur.
  • Gradyanlar birikir; her adımda sıfırlanmalıdır.
  • no_grad() ve detach() izlemeyi keser.
  • Hesap grafiği dinamik olarak kurulur; grad_fn düğümleri gösterir, zincir kuralı geriye uygulanır.

Uygulama Elle gradyan inişi

kayip = (w - 3) ** 2 fonksiyonunu w = 0'dan başlayarak öğrenme oranı 0.1 ile 50 adım gradyan inişiyle küçült: her adımda kayıp hesapla, backward(), torch.no_grad() içinde güncelle ve gradyanı sıfırla. Son w değerini round(..., 3) ile yazdır.

Başlangıç kodu

model.py
import torch

w = torch.tensor(0.0, requires_grad=True)

# buraya yaz

Örnek çözüm

model.py
import torch

w = torch.tensor(0.0, requires_grad=True)

for _ in range(50):
    kayip = (w - 3) ** 2
    kayip.backward()
    with torch.no_grad():
        w -= 0.1 * w.grad
    w.grad.zero_()
print(round(w.item(), 3))

Beklenen çıktı

3.0

Soru ve cevaplar

Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.

1 Autograd ile gradyan inişinde güncelleme neden <code>torch.no_grad()</code> içinde yapılır?

  • Zorunlu değildir
  • Gradyanı sıfırlamak için
  • Güncellemenin kendisi grafiğe kaydedilmesin diye Doğru cevap
  • Daha doğru olduğu için

Açıklama: w -= lr·grad bir parametre ayarıdır, türevi alınacak bir hesap değildir.

2 Güncellemeyi izlemeden yap.

Soru 
with torch.no_grad():
    w ____ 0.1 * w.grad
Cevap 
with torch.no_grad():
    w -= 0.1 * w.grad

Açıklama: Gradyanın tersi yönünde adım atılır.

3 Araçları eşleştir.

Kavram Anlamı
backward() Gradyan hesabı
.grad Gradyan değeri
zero_() Sıfırlama
no_grad() İzlemesiz blok

İleri seviye bölümündeki tüm dersler

1 Neural network temelleri

  1. Neural network nedir?
  2. Nöron
  3. Katmanlar
  4. Aktivasyon
  5. İleri yayılım
  6. Özet - Neural network

2 PyTorch temelleri

  1. PyTorch nedir?
  2. Tensor
  3. Tensor oluşturma
  4. Tensor özellikleri
  5. GPU desteği
  6. Özet - PyTorch

3 Tensor işlemleri

  1. Tensor işlemleri
  2. Shape
  3. Dtype
  4. Reshape
  5. Indexing
  6. Özet - Tensor işlemleri

4 Autograd

  1. Autograd nedir?
  2. requires_grad
  3. backward()
  4. grad
  5. Computational graph
  6. Özet - Autograd

5 Proje: Neural network

  1. Tensor hazırlama
  2. Model tanımı
  3. Loss hesabı
  4. Optimize edici

6 nn.Module

  1. nn.Module nedir?
  2. __init__
  3. forward
  4. nn.Linear
  5. parameters()
  6. Özet - nn.Module

7 Eğitim döngüsü

  1. Eğitim döngüsü
  2. Epoch
  3. Loss
  4. backward()
  5. optimizer.step()
  6. Özet - Eğitim döngüsü

8 CNN

  1. CNN nedir?
  2. Conv2d
  3. MaxPool2d
  4. Feature map
  5. Flatten
  6. Özet - CNN

9 RNN

  1. RNN nedir?
  2. Hidden state
  3. Sequence
  4. Vanishing gradient
  5. Embedding
  6. Özet - RNN

10 LSTM

  1. LSTM nedir?
  2. Gate'ler
  3. Cell state
  4. input_size
  5. hidden_size
  6. Özet - LSTM

11 Proje: CNN

  1. Veri hazırlama
  2. CNN modeli
  3. Loss ve optimizer
  4. Eğitim

12 Transfer öğrenme

  1. Transfer öğrenme nedir?
  2. Pre-trained model
  3. Fine-tuning
  4. Feature extraction
  5. Avantajlar
  6. Özet - Transfer öğrenme

13 Optimizasyon

  1. Optimizer nedir?
  2. SGD
  3. Adam
  4. Learning rate
  5. zero_grad()
  6. Özet - Optimizasyon

14 İleri seviye finali

  1. Meydan okuma 1
  2. Meydan okuma 2
  3. Meydan okuma 3
  4. Meydan okuma 4