EEM-272 Makine Öğrenmesine Giriş

Ders 9

Yapay sinir ağları, tensorflow uygulaması

MNIST veri seti örnekler

0 ve 1 rakamlarının sınıflandırılması

Sigmoid fonksiyonu

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Input
from tensorflow.keras.losses import BinaryCrossentropy

# MNIST veri setini yükle
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# sadece 0 ve 1 olanları filtrele
mask = (y_train == 0) | (y_train == 1)
X = X_train[mask]
y = y_train[mask]

# 0 ve 1 indekslerini al
idx0 = np.where(y == 0)[0][:1000]
idx1 = np.where(y == 1)[0][:1000]

# 1000 tane 0 ve 1000 tane 1 seç
indices = np.concatenate([idx0, idx1])

X = X[indices]
y = y[indices]

# veriyi karıştır
perm = np.random.permutation(len(X))
X = X[perm]
y = y[perm]

# rastgele bir görüntü göster
rand_index = np.random.randint(len(X))
plt.imshow(X[rand_index], cmap='gray')
plt.title(f"Label: {y[rand_index]}")
plt.axis("off")
plt.show()

X = X.astype("float32") / 255.0

# modeli beslemek için flatten yap (28x28 -> 784)
X = X_train.reshape(X.shape[0], -1)
X.shape

# model oluştur
model = Sequential([
    Input(shape=(784,)),
    Dense(units=25, activation='sigmoid'),
    Dense(units=15, activation='sigmoid'),
    Dense(units=1, activation='sigmoid')
])

# compile
# default learning_rate = 0.01
model.compile(
    loss=BinaryCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

model.summary()

# modeli eğit
model.fit(X, y, epochs=30)

# rastgele bir örnek seç
idx = np.random.randint(0, X.shape[0])

# görüntüyü al (flatten olduğu için tekrar 28x28 yapıyoruz)
image = X[idx].reshape(28,28)

# tahmin için modele uygun hale getir
sample = X[idx].reshape(1, -1)

# model tahmini
prediction = model.predict(sample)

# sınıfa çevir
predicted_class = (prediction > 0.5).astype(int)

# görüntüyü çizdir
plt.imshow(image, cmap='gray')
plt.title(f"Gerçek: {y[idx]}  |  Tahmin: {predicted_class[0][0]}  (olasılık: {prediction[0][0]:.3f})")
plt.axis("off")
plt.show()

ReLU fonksiyonu

# model oluştur
model = Sequential([
    Input(shape=(784,)),
    Dense(units=25, activation='relu', input_shape=(784,)),
    Dense(units=15, activation='relu'),
    Dense(units=1, activation='sigmoid')
])

# compile
# default learning_rate = 0.01
model.compile(
    loss=BinaryCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

model.summary()

# modeli eğit
model.fit(X, y, epochs=30)

# rastgele bir örnek seç
idx = np.random.randint(0, X.shape[0])

# görüntüyü al (flatten olduğu için tekrar 28x28 yapıyoruz)
image = X[idx].reshape(28,28)

# tahmin için modele uygun hale getir
sample = X[idx].reshape(1, -1)

# model tahmini
prediction = model.predict(sample)

# sınıfa çevir
predicted_class = (prediction > 0.5).astype(int)

# görüntüyü çizdir
plt.imshow(image, cmap='gray')
plt.title(f"Gerçek: {y[idx]}  |  Tahmin: {predicted_class[0][0]}  (olasılık: {prediction[0][0]:.3f})")
plt.axis("off")
plt.show()

sigmoid fonksiyonu, normalizasyonlu

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Input
from tensorflow.keras.losses import BinaryCrossentropy

# MNIST veri setini yükle
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# sadece 0 ve 1 olanları filtrele
mask = (y_train == 0) | (y_train == 1)
X = X_train[mask]
y = y_train[mask]

# 0 ve 1 indekslerini al
idx0 = np.where(y == 0)[0][:1000]
idx1 = np.where(y == 1)[0][:1000]

# 1000 tane 0 ve 1000 tane 1 seç
indices = np.concatenate([idx0, idx1])

X = X[indices]
y = y[indices]

# veriyi karıştır
perm = np.random.permutation(len(X))
X = X[perm]
y = y[perm]

# rastgele bir görüntü göster
rand_index = np.random.randint(len(X))
plt.imshow(X[rand_index], cmap='gray')
plt.title(f"Label: {y[rand_index]}")
plt.axis("off")
plt.show()

X_train = X.astype("float32") / 255.0

# modeli beslemek için flatten yap (28x28 -> 784)
X_train = X_train.reshape(X.shape[0], -1)
X_train.shape

# model oluştur
model = Sequential([
    Input(shape=(784,)),
    Dense(units=25, activation='sigmoid'),
    Dense(units=15, activation='sigmoid'),
    Dense(units=1, activation='sigmoid')
])

# compile
# default learning_rate = 0.01
model.compile(
    loss=BinaryCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

model.summary()

# modeli eğit
model.fit(X_train, y, epochs=30)

# rastgele bir örnek seç
idx = np.random.randint(0, X.shape[0])

# görüntüyü al (flatten olduğu için tekrar 28x28 yapıyoruz)
image = X[idx].reshape(28,28)

# tahmin için modele uygun hale getir
sample = X_train[idx].reshape(1, -1)

# model tahmini
prediction = model.predict(sample)

# sınıfa çevir
predicted_class = (prediction > 0.5).astype(int)

# görüntüyü çizdir
plt.imshow(image, cmap='gray')
plt.title(f"Gerçek: {y[idx]}  |  Tahmin: {predicted_class[0][0]}  (olasılık: {prediction[0][0]:.3f})")
plt.axis("off")
plt.show()

ReLU fonksiyonu, normalizasyonlu

# model oluştur
model = Sequential([
    Input(shape=(784,)),
    Dense(units=25, activation='relu', input_shape=(784,)),
    Dense(units=15, activation='relu'),
    Dense(units=1, activation='sigmoid')
])

# compile
# default learning_rate = 0.01
model.compile(
    loss=BinaryCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

model.summary()

# modeli eğit
model.fit(X_train, y, epochs=30)

# rastgele bir örnek seç
idx = np.random.randint(0, X.shape[0])

# görüntüyü al (flatten olduğu için tekrar 28x28 yapıyoruz)
image = X[idx].reshape(28,28)

# tahmin için modele uygun hale getir
sample = X_train[idx].reshape(1, -1)

# model tahmini
prediction = model.predict(sample)

# sınıfa çevir
predicted_class = (prediction > 0.5).astype(int)

# görüntüyü çizdir
plt.imshow(image, cmap='gray')
plt.title(f"Gerçek: {y[idx]}  |  Tahmin: {predicted_class[0][0]}  (olasılık: {prediction[0][0]:.3f})")
plt.axis("off")
plt.show()

Multi-class classification - Çok sınıflı sınıflandırma

SparseCategoricalCrossentropy versiyonu

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical

# MNIST veri setini yükle
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# Her sınıftan 1000 örnek seç
selected_indices = []

for digit in range(10):
    idx = np.where(y_train == digit)[0][:1000]
    selected_indices.append(idx)

selected_indices = np.concatenate(selected_indices)

X = X_train[selected_indices]
y = y_train[selected_indices]

# veriyi karıştır
perm = np.random.permutation(len(X))
X = X[perm]
y = y[perm]

# rastgele bir görüntü göster
rand_index = np.random.randint(len(X))
plt.imshow(X[rand_index], cmap='gray')
plt.title(f"Label: {y[rand_index]}")
plt.axis("off")
plt.show()

# normalize et (0-255 → 0-1)
X = X.astype("float32") / 255.0

# flatten (28x28 → 784)
X = X.reshape(X.shape[0], -1)


# model oluştur
model = Sequential([
    Dense(units=25, activation='relu', input_shape=(784,)),
    Dense(units=15, activation='relu'),
    Dense(units=10, activation='softmax')
])

model.summary()

from tensorflow.keras.losses import SparseCategoricalCrossentropy

# compile
model.compile(
    loss=SparseCategoricalCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

# eğit
model.fit(X, y, epochs=30)

CategoricalCrossentropy versiyonu

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.losses import CategoricalCrossentropy

# MNIST veri setini yükle
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# Her sınıftan 1000 örnek seç
selected_indices = []

for digit in range(10):
    idx = np.where(y_train == digit)[0][:1000]
    selected_indices.append(idx)

selected_indices = np.concatenate(selected_indices)

X = X_train[selected_indices]
y = y_train[selected_indices]

# veriyi karıştır
perm = np.random.permutation(len(X))
X = X[perm]
y = y[perm]


# normalize
X = X.astype("float32") / 255.0

# flatten
X = X.reshape(X.shape[0], -1)

# one-hot encoding
y = to_categorical(y, num_classes=10)

# model
model = Sequential([
    Dense(units=25, activation='relu', input_shape=(784,)),
    Dense(units=15, activation='relu'),
    Dense(units=10, activation='softmax')
])

model.summary()

# compile
model.compile(
    loss=CategoricalCrossentropy(),
    optimizer='SGD',
    metrics=['accuracy']
)

# eğit
model.fit(X, y, epochs=30)

Adam optimizastonu versiyonu

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.losses import CategoricalCrossentropy

# MNIST veri setini yükle
(X_train, y_train), (X_test, y_test) = tf.keras.datasets.mnist.load_data()

# Her sınıftan 1000 örnek seç
selected_indices = []

for digit in range(10):
    idx = np.where(y_train == digit)[0][:1000]
    selected_indices.append(idx)

selected_indices = np.concatenate(selected_indices)

X = X_train[selected_indices]
y = y_train[selected_indices]

# veriyi karıştır
perm = np.random.permutation(len(X))
X = X[perm]
y = y[perm]


# normalize
X = X.astype("float32") / 255.0

# flatten
X = X.reshape(X.shape[0], -1)

# one-hot encoding
y = to_categorical(y, num_classes=10)

# model
model = Sequential([
    Dense(units=25, activation='relu', input_shape=(784,)),
    Dense(units=15, activation='relu'),
    Dense(units=10, activation='softmax')
])

model.summary()

# compile
model.compile(
    loss=CategoricalCrossentropy(),
    optimizer='adam',
    metrics=['accuracy']
)

# eğit
model.fit(X, y, epochs=30)