Hidden Layer (Gizli Katman)

#DerinOgrenme #YapaySinirAglari #KaraKutu #MakineOgrenmesi

Gizli Katman (Hidden Layer), bir yapay sinir ağında Girdi Katmanı (Input) ile Çıktı Katmanı (Output) arasında yer alan, verinin özelliklerinin çıkarıldığı, matematiksel soyutlamaların ve hesaplamaların yapıldığı katmanların tümüdür.

Gizli Katman (Hidden Layer), bir yapay sinir ağında Girdi Katmanı (Input) ile Çıktı Katmanı (Output) arasında yer alan, verinin özelliklerinin çıkarıldığı, matematiksel soyutlamaların ve hesaplamaların yapıldığı katmanların tümüdür. Bir ağın "Derin Öğrenme" (Deep Learning) sayılabilmesi için birden fazla gizli katmana sahip olması gerekir.

visibility_off İçeride Ne Olur?

Sisteme kedi resmi verdiniz (Girdi). Gizli katmanların içine doğrudan bakamazsınız, onlar 'kara kutudur'. Ancak matematiksel olarak biliyoruz ki; Birinci gizli katman sadece dikey ve yatay çizgileri anlar. İkinci gizli katman bu çizgileri birleştirip daireler ve üçgenler çizer. Üçüncü gizli katman üçgenlerden kedi kulaklarını, dairelerden kedi gözünü bulur. En sondaki gizli katman ise tüm bunları birleştirip 'Kedi' kararına vararak cevabı Çıktı katmanına iter.

layers Derinlik Ne İşe Yarar?

Gizli katman sayısı (Örn: 5, 50, 150 katman) modelin ne kadar karmaşık bir problemi anlayabileceğini belirler. GPT modellerinde (Transformer) 90'dan fazla gizli katman bulunur, bu sayede basit kelimelerden devasa şiirsel anlamlar çıkartabilirler.

Gizli Katman Tasarım Kararları

  • check_circle Katman Sayısı: Derinlik: 1 gizli katman: XOR gibi basit doğrusal olmayan problemleri çözebilir. 2-3 gizli katman: birçok pratik sınıflandırma ve regresyon görevi. Çok derin (10+): görüntü, ses, metin gibi karmaşık görevler; artık bağlantılar (ResNet), dikkat mekanizması (Transformer) ile desteklenir. Kural: daha fazla katman daha karmaşık örüntü kapasitesi sağlar ama eğitim zorlaşır.
  • check_circle Nöron Sayısı: Genişlik: Çok az nöron: underfitting — model yetersiz. Çok fazla nöron: overfitting riski artar, hesaplama maliyeti yükselir. Genel pratik: giriş ve çıkış boyutları arasında kum saati şekli. Başlangıç kural: bir önceki ve bir sonraki katman arasında geometrik ortalama.
  • check_circle Aktivasyon Fonksiyonu Seçimi: ReLU: varsayılan tercih; hızlı, basit, derin ağlarda etkili. Leaky ReLU ve ELU: 'ölü nöron' sorununu hafifletir. GELU: BERT ve GPT'de kullanılır; daha pürüzsüz gradyan akışı. Sigmoid ve tanh: çıkış katmanında (ikili sınıflandırma, gate) kullanılır; gizli katmanlarda vanishing gradient nedeniyle önerilmez.

Gizli Katmanlar Ne Öğrenir?

Derin sinir ağlarında her gizli katman giderek daha soyut temsiller öğrenir. CNN örneği (görüntü): 1. katman kenarlara duyarlı filtreler; 2. katman doku ve köşe kombinasyonları; 3. katman nesne parçaları; derin katmanlar yüz, araba, köpek gibi üst düzey kavramlar. NLP örneği (transformer): ilk katmanlar sözdizimi ve yerel bağlam; derin katmanlar anlam, niyet ve uzun vadeli bağımlılık. Bu hiyerarşik temsil öğrenme, derin öğrenmenin elle tasarlanan özellik mühendisliğini geride bırakan temel mekanizmasıdır.