CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Özet - RNN

Bu grupta RNN, hidden state ve vanishing gradient'i öğrendin.

Özet: RNN

Bu grupta:

  • RNN diziyi adım adım işler: h_t = tanh(W_x x_t + W_h h_(t-1) + b); ağırlıklar adımlar arasında paylaşılır.
  • nn.RNN: output (N, T, H), h_n (katman, N, H); batch_first=True.
  • Farklı uzunluklar: pad_sequence, gerçek uzunluk, pack_padded_sequence.
  • Uzun dizilerde gradyan söner ya da patlar; kırpma ve kapılı mimariler çare.
  • nn.Embedding kelime indekslerini öğrenilen vektörlere çevirir.

Uygulama İki katmanlı RNN

nn.RNN(16, 32, num_layers=2, batch_first=True) katmanını (4, 10, 16) girdiye uygula. output ve h_n şekillerini aynı satırda, ardından parametre sayısını yazdır (ikinci katmanın girdisi 32'dir).

Başlangıç kodu

model.py
import torch
from torch import nn

x = torch.zeros(4, 10, 16)

# buraya yaz

Örnek çözüm

model.py
import torch
from torch import nn

x = torch.zeros(4, 10, 16)

rnn = nn.RNN(16, 32, num_layers=2, batch_first=True)
output, h_n = rnn(x)
print(output.shape, h_n.shape)
print(sum(p.numel() for p in rnn.parameters()))

Beklenen çıktı

torch.Size([4, 10, 32]) torch.Size([2, 4, 32])
3712

Soru ve cevaplar

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

1 RNN'in transformer'a göre temel zayıflığı nedir?

  • Adımlar sıralı işlenir, paralel hesaplanamaz Doğru cevap
  • Parametresi yoktur
  • Metin işleyemez
  • Gömme kullanamaz

Açıklama: Her adım bir öncekini beklediği için GPU paralelliğinden yararlanmak zordur.

2 İki katmanlı RNN kur.

Soru 
rnn = nn.RNN(16, 32, ____=2, batch_first=True)
Cevap 
rnn = nn.RNN(16, 32, num_layers=2, batch_first=True)

Açıklama: num_layers RNN katmanlarını üst üste dizer.

3 Kavramları eşleştir.

Kavram Anlamı
gizli durum Geçmiş özeti
dolgu Eşit uzunluk
sönen gradyan Uzun vade sorunu
gömme Kelime vektörleri

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