import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
import matplotlib.pyplot as plt

# 1. Veriyi yükle
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 2. Normalize et ve giriş şekline göre yeniden boyutlandır (28x28x1)
x_train = x_train.reshape((x_train.shape[0], 28, 28, 1)).astype("float32") / 255.0
x_test = x_test.reshape((x_test.shape[0], 28, 28, 1)).astype("float32") / 255.0

# 3. Etiketleri one-hot encode yap
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 4. Sequential model oluştur
model = models.Sequential([
    layers.Input(shape=(28, 28, 1)),
    layers.Conv2D(32, (3, 3), activation='relu'),
    
    layers.MaxPooling2D((2, 2)),
    
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),

    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

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

optimizer (optimizasyon algoritmaları)

Optimizer	Açıklama
'adam'	Genelde iyi sonuçlar verir, adaptif öğrenme oranı sağlar.
'sgd'	Stokastik Gradient Descent – klasik yöntemdir. Momentum ile geliştirilebilir.
'rmsprop'	RNN gibi zaman serisi modellerinde iyi sonuçlar verir.
'adagrad'	Sık güncellenen parametreler için öğrenme oranını düşürür.
'adadelta'	adagrad‘a benzer ama sabit öğrenme oranı gerektirmez.
'adamax'	adam’ın sonsuz normla çalışan versiyonudur.

Ayrıntılar için https://medium.com/@astitwa15108824/comparative-analysis-of-adam-optimizer-and-its-variants-adamax-rmsprop-and-adagrad-addressing-02889adc8735

Loss Fonksiyonu	Ne Zaman Kullanılır?
'categorical_crossentropy'	One-hot encoded çok sınıflı sınıflandırma için
'sparse_categorical_crossentropy'	Etiketler tamsayı (one-hot değil) ise
'binary_crossentropy'	İkili sınıflandırma için
'mean_squared_error' ('mse')	Regresyon problemleri için
'mean_absolute_error' ('mae')	Regresyon için, hatanın mutlak değeri önemliyse

Metric	Açıklama
'accuracy'	Doğru sınıflandırma oranı (çok sınıflı veya ikili)
'sparse_categorical_accuracy'	Tamsayı etiketlerle sparse_categorical_crossentropy ile birlikte kullanılır
'mae'	Ortalama mutlak hata (regresyon için)
'mse'	Ortalama kare hata

# 6. Eğitme
history = model.fit(x_train, y_train,
                    epochs=50,
                    batch_size=64,
                    validation_data=(x_test, y_test))

# alternatif:
# history = model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.1)

# 7. Test seti üzerinde değerlendirme
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test doğruluğu: {test_acc:.4f}")

# 8. Başarı grafikleri
plt.plot(history.history['accuracy'], label='Eğitim Doğruluğu')
plt.plot(history.history['val_accuracy'], label='Doğrulama Doğruluğu')
plt.title("Doğruluk Grafiği")
plt.xlabel("Epoch")
plt.ylabel("Doğruluk")
plt.legend()
plt.show()

Callbacks

from tensorflow.keras.callbacks import EarlyStopping

earlystop = EarlyStopping(monitor='val_accuracy',
                             patience=3,       # 3 epoch boyunca iyileşme yoksa durur
                             restore_best_weights=True,
                             verbose=1)

callbacks = [earlystop]

history = model.fit(x_train, y_train,
                    epochs=50,
                    batch_size=64,
                    validation_data=(x_test, y_test),
                    callbacks=callbacks)

Keras Tuner

from tensorflow import keras
from tensorflow.keras import layers
import keras_tuner as kt

def build_model(hp):
    model = keras.Sequential()
    
    # Girdi
    model.add(layers.Input(shape=(28, 28, 1)))

    # Conv2D Katmanı 1
    model.add(layers.Conv2D(
        filters=hp.Choice('conv_1_filters', values=[32, 64, 128]),
        kernel_size=hp.Choice('conv_1_kernel', values=[3, 5]),
        activation=hp.Choice('conv_activation', values=['relu', 'tanh'])
    ))
    model.add(layers.MaxPooling2D(pool_size=(2, 2)))

    # Conv2D Katmanı 2
    model.add(layers.Conv2D(
        filters=hp.Choice('conv_2_filters', values=[64, 128, 256]),
        kernel_size=hp.Choice('conv_2_kernel', values=[3, 5]),
        activation=hp.Choice('conv_activation', values=['relu', 'tanh'])
    ))
    model.add(layers.MaxPooling2D(pool_size=(2, 2)))

    # Fully Connected
    model.add(layers.Flatten())
    model.add(layers.Dense(
        units=hp.Choice('dense_units', values=[64, 128, 256]),
        activation=hp.Choice('dense_activation', values=['relu', 'tanh'])
    ))
    model.add(layers.Dense(10, activation='softmax'))

    # Derleyici
    model.compile(
        optimizer=hp.Choice('optimizer', values=['adam', 'rmsprop', 'sgd']),
        loss='categorical_crossentropy',
        metrics=['accuracy']
    )
    
    return model

from keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

# Veriyi yükle
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# Normalize et ve giriş şekline göre yeniden boyutlandır (28x28x1)
x_train = x_train.reshape((x_train.shape[0], 28, 28, 1)).astype("float32") / 255.0
x_test = x_test.reshape((x_test.shape[0], 28, 28, 1)).astype("float32") / 255.0

y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# Tuner oluştur
tuner = kt.RandomSearch(
    build_model,
    objective='val_accuracy',
    max_trials=10,
    directory='my_dir',
    project_name='mnist_tuning'
)

# Tuning başlat
tuner.search(
    x_train, y_train,
    epochs=5,
    validation_data=(x_test, y_test),
    callbacks=[keras.callbacks.EarlyStopping(patience=2)])