TensorFlow

#TensorFlow #DeepLearning #MachineLearning #Google #Python #OpenSource

TensorFlow, Google'ın 2015'te açık kaynak yayımladığı, model eğitiminden üretim dağıtımına uçtan uca derin öğrenme kütüphanesidir.

TensorFlow, Google Brain ekibinin 2015 yılında Apache 2.0 lisansıyla açık kaynak olarak yayımladığı, makine öğrenimi ve derin öğrenme modellerini geliştirmek, eğitmek ve üretime almak için kullanılan uçtan uca bir kütüphanedir. GitHub'da 190 binden fazla yıldıza ulaşan proje, hem araştırma prototiplerini hem de milyarlarca kullanıcıya hizmet veren üretim sistemlerini aynı altyapı üzerinde çalıştırır. İsim, iki kavramın birleşiminden gelir: **tensor**, çok boyutlu sayı dizilerini (skaler, vektör, matris ve daha yüksek boyutlar) temsil eden temel veri yapısıdır; **flow** ise bu tensörlerin bir hesaplama grafiği üzerindeki akışını anlatır. Grafikteki her düğüm bir matematiksel işlemdir; otomatik türev (autodiff) mekanizması bu grafik üzerinden gradyanları hesaplayarak geri yayılımı (backpropagation) otomatikleştirir. TensorFlow 1.x'in statik graf ve `session` yapısı öğrenmeyi zorlaştırıyordu. 2019'daki TensorFlow 2.0, eager execution'ı varsayılan yaptı ve Keras'ı resmi yüksek seviyeli API olarak benimsedi; böylece bir görüntü sınıflandırma modeli 10 satırın altında kodla tanımlanabilir hale geldi. `tf.function` dekoratörü ise aynı kodu XLA derleyicisiyle optimize edilmiş grafa çevirerek Python esnekliği ile graf performansını birleştirir. Donanım desteği kütüphanenin en güçlü yanlarından biridir: CPU, NVIDIA GPU (CUDA), Apple Silicon (Metal) ve Google'ın kendi tasarladığı TPU'larda aynı kod çalışır. TPU v5e ve sonrası pod'larda binlerce çipe ölçeklenen dağıtık eğitim, `tf.distribute` API'siyle birkaç satırlık değişiklikle kurulur. 2026 itibarıyla güncel kararlı sürüm TensorFlow 2.21 serisidir; NumPy 2.x uyumluluğu ve uç cihazlar için int2/int4 kuantizasyon desteği bu dönemde eklendi. Mobil tarafta TensorFlow Lite, Google AI Edge çatısı altında LiteRT adıyla bağımsız bir projeye dönüştü ve artık TensorFlow'un yanı sıra PyTorch ile JAX modellerini de çalıştırıyor. Keras 3 ise çoklu-backend mimarisiyle aynı model kodunun TensorFlow, JAX veya PyTorch üzerinde koşmasına imkân tanıyor; Google'ın araştırma tarafında JAX'e yönelmesine karşın TensorFlow üretim dağıtımı, TF Serving ve TFX boru hatlarıyla kurumsal tarafta konumunu koruyor. Kütüphaneyi tek başına bir araçtan çok bir ekosistem olarak düşünmek gerekir. Model geliştirme Keras ile, eğitim izleme TensorBoard ile, veri boru hatları `tf.data` API'siyle, üretim servisleme TF Serving ile, uçtan uca MLOps süreçleri ise TFX ile yönetilir. Tarayıcıda çalışan TensorFlow.js, sunucuya veri göndermeden gizlilik dostu çıkarım yapar; TensorFlow Hub ve Kaggle Models üzerindeki binlerce önceden eğitilmiş model, transfer öğrenmeyle özel bir görevi birkaç saatlik eğitimle çözmeye yeter. Bu bütünlük, tek bir prototipin veri hazırlığından mobil uygulamadaki çıkarıma kadar aynı araç zincirinde ilerlemesini mümkün kılar. Google Arama, YouTube öneri motoru, Google Translate, Airbnb, Uber, Twitter/X ve Spotify gibi sistemlerde üretimde kullanılan TensorFlow; bilgisayarlı görü, doğal dil işleme, öneri sistemleri, zaman serisi tahmini ve konuşma tanıma alanlarında sektör standardı araç zincirleri sunar. Python birincil dil olmakla birlikte C++, JavaScript (TensorFlow.js) ve Java/Kotlin (LiteRT) ile de model çalıştırılabilir. Yeni başlayanlar için resmi tensorflow.org eğitimleri, ücretsiz GPU sunan Google Colab not defterleri ve Coursera'daki TensorFlow Developer sertifika programları en yaygın öğrenme yollarıdır; temel Python ve lise düzeyi lineer cebir bilgisi ilk çalışan modeli eğitmek için çoğu durumda fazlasıyla yeterlidir.

TensorFlow Nasıl Çalışır?

TensorFlow, hesaplamaları yönlü asiklik graf (DAG) olarak modeller: düğümler matematiksel işlemleri, kenarlar işlemler arasında akan tensörleri temsil eder. TensorFlow 2.x'te varsayılan mod eager execution'dır; her satır Python'da anında çalışır, bu da hata ayıklamayı `print` ve standart debugger'larla yapılabilir kılar. Performans gerektiğinde `@tf.function` dekoratörü Python fonksiyonunu izleyerek (tracing) grafa dönüştürür; XLA (Accelerated Linear Algebra) derleyicisi bu grafı işlem birleştirme (fusion) ile optimize eder ve GPU/TPU'da tipik olarak %20-50 hızlanma verir. Eğitimin kalbi otomatik türevdir: `tf.GradientTape`, ileri geçişte yapılan işlemleri kaydeder ve kayıp fonksiyonunun her ağırlığa göre gradyanını zincir kuralıyla otomatik hesaplar. Optimize edici (Adam, SGD vb.) bu gradyanlarla ağırlıkları günceller; milyarlarca parametreli modellerde bile süreç aynıdır.

TensorFlow Ekosistemi

keras Keras 3

Resmi yüksek seviyeli API. Keras 3 ile aynı model kodu TensorFlow, JAX veya PyTorch backend'inde çalışır; Sequential ve Functional API hızlı prototipleme imkânı verir.

tensorboard TensorBoard

Kayıp/doğruluk eğrileri, hesaplama grafı, embedding projeksiyonları ve profil verilerini tarayıcıda görselleştiren izleme aracı.

litert LiteRT (eski TF Lite)

Google AI Edge altındaki hafif çalışma zamanı; Android, iOS ve gömülü cihazlarda int8/int4 kuantize modellerle milisaniye düzeyi çıkarım yapar.

tfjs TensorFlow.js

Tarayıcıda ve Node.js'te WebGL/WebGPU ile model eğitip çalıştıran JavaScript kütüphanesi; sunucuya veri göndermeden gizlilik dostu çıkarım sunar.

serving TF Serving

Eğitilmiş modelleri gRPC/REST API olarak yayınlayan, sürüm yönetimi ve A/B testi destekleyen üretim sunucusu.

tfx TFX

Veri doğrulama, eğitim, değerlendirme ve dağıtımı kapsayan uçtan uca MLOps boru hattı; Google'ın kendi üretim akışlarından türetildi.

Kurulum ve İlk Model

Kurulum tek komuttur: `pip install tensorflow` (Linux'ta CUDA destekli GPU paketi için `pip install tensorflow[and-cuda]`). Python 3.10-3.13 desteklenir. Klasik MNIST örneği yapıyı gösterir: ```python import tensorflow as tf model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation="relu"), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10, activation="softmax"), ]) model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"]) model.fit(x_train, y_train, epochs=5) ``` Bu 60.000 görüntülük veri setinde 5 epoch'luk eğitim modern bir GPU'da 30 saniyenin altında tamamlanır ve yaklaşık %98 doğruluğa ulaşır. Hazır mimariler için `tf.keras.applications` (ResNet, EfficientNet, MobileNet) ve TensorFlow Hub / Kaggle Models üzerindeki önceden eğitilmiş modeller transfer öğrenmeyi birkaç satıra indirir.

TensorFlow vs PyTorch vs JAX

check_circle Araştırma kullanımı: Akademik yayınlarda PyTorch 2022'den bu yana açık ara önde; 2026 itibarıyla kod paylaşan makalelerin yaklaşık %80-85'i PyTorch kullanıyor. Google'ın araştırma ekipleri de büyük ölçüde JAX'e geçti.
check_circle Üretim ve dağıtım: TF Serving, TFX ve olgun sürümleme araçlarıyla TensorFlow kurumsal üretimde köklü bir ekosisteme sahip; PyTorch bu açığı TorchServe ve ONNX ile kapatıyor.
check_circle Mobil ve uç cihazlar: LiteRT, Android'de resmi çözüm olarak milyarlarca cihazda çalışıyor; PyTorch'un ExecuTorch'u yeni olgunlaşıyor. Uçta dağıtım hâlâ TensorFlow ekosisteminin en güçlü kartı.
check_circle Performans: XLA derlemesi TPU'da belirgin avantaj verir; PyTorch 2.x'in torch.compile'ı GPU'da farkı büyük ölçüde kapattı. JAX, saf hız ve büyük ölçekli dağıtık eğitimde öne çıkıyor.
check_circle Öğrenme eğrisi: Keras API'si başlangıç için en kısa yoldur; PyTorch'un Pythonic yapısı özel eğitim döngülerinde daha sezgisel bulunur. Keras 3 ile ikisi arasında geçiş maliyeti düştü.

Kullanım Alanları

check_circle Bilgisayarlı görü: Görüntü sınıflandırma, nesne tespiti (SSD, EfficientDet) ve segmentasyon; Google Foto'ların arama özelliği ve tıbbi görüntü analizi üretim örnekleridir.
check_circle Doğal dil işleme: BERT ve T5 gibi transformer modelleri TensorFlow ile eğitildi; Google Translate ve Arama'daki sıralama modelleri bu altyapıda çalışır.
check_circle Öneri sistemleri: YouTube ve Google Play öneri motorları TensorFlow Recommenders (TFRS) tabanlı modellerle milyarlarca kullanıcıya kişiselleştirme sunar.
check_circle Uç yapay zekâ (Edge AI): Akıllı telefonlarda canlı çeviri, Pixel'in görüntü işleme boru hattı ve IoT sensör analitiği LiteRT ile cihaz üzerinde, internet bağlantısız yürür.
check_circle Zaman serisi ve tahminleme: Talep tahmini, anomali tespiti ve finansal modelleme; Uber ve Airbnb fiyatlama sistemlerinde üretimde kullanıldı.

2026'da TensorFlow: Güncel Durum

Güncel kararlı seri TensorFlow 2.21'dir; NumPy 2.x uyumluluğu, Python 3.13 desteği ve uç cihazlar için int2/int4 kuantizasyon bu dönemin öne çıkan yenilikleridir. Ekosistemde iki büyük yeniden yapılanma yaşandı: TensorFlow Lite, Google AI Edge çatısı altında LiteRT adıyla bağımsızlaştı ve çerçeveden bağımsız (TF, PyTorch, JAX) bir uç çalışma zamanına dönüştü; Keras ise 3.x sürümüyle çoklu-backend mimariye geçti. Google'ın üretken yapay zekâ araştırmaları (Gemini dahil) ağırlıkla JAX üzerinde yürüse de TensorFlow, mevcut üretim boru hatları, kurumsal MLOps yatırımları ve Android ekosistemindeki yeri nedeniyle aktif bakım ve sürüm döngüsünü sürdürüyor. Yeni projeye başlayanlar için pratik okuma şudur: uç dağıtım ve olgun üretim araçları öncelikliyse TensorFlow/LiteRT, araştırma esnekliği öncelikliyse PyTorch veya JAX daha isabetli bir başlangıçtır; Keras 3 bu kararı sonradan değiştirme esnekliği tanır.

Sık Sorulan Sorular

check_circle TensorFlow ücretsiz mi?: Evet. Apache 2.0 lisansıyla tamamen ücretsiz ve açık kaynaklıdır; ticari projelerde kısıtlama olmadan kullanılabilir ve değiştirilebilir.
check_circle TensorFlow mü PyTorch mu öğrenmeliyim?: Hedefe bağlı: mobil/uç dağıtım ve kurumsal üretim odaklıysanız TensorFlow, akademik araştırma ve hızlı prototipleme öncelikliyse PyTorch daha yaygın tercihtir. Keras 3 ile temel kavramlar iki tarafa da taşınır.
check_circle TensorFlow GPU olmadan çalışır mı?: Evet, CPU'da sorunsuz çalışır. Küçük modeller ve çıkarım için CPU yeterlidir; büyük modellerin eğitimi GPU/TPU'ya göre 10-50 kat yavaş olabilir. Ücretsiz GPU için Google Colab pratik bir başlangıçtır.
check_circle TensorFlow 1.x ile 2.x arasındaki fark nedir?: TF 2.0, eager execution'ı varsayılan yaptı ve Keras'ı resmi API olarak benimsedi; 1.x'in session/placeholder yapısı kalktı. 1.x kodu bugün yalnızca eski sistemlerin bakımında görülür.
check_circle TensorFlow Lite'a ne oldu?: TensorFlow Lite, Google AI Edge çatısı altında LiteRT adını aldı. API'ler büyük ölçüde korundu; ek olarak PyTorch ve JAX modellerini de çalıştırabilen çerçeveden bağımsız bir uç çalışma zamanına dönüştü.
check_circle TensorFlow öğrenmek için ön koşul nedir?: Temel Python, lise düzeyi lineer cebir (matris çarpımı) ve türev kavramı yeterlidir. Keras API'siyle ilk çalışan modeli birkaç saatte kurmak mümkündür; resmi tensorflow.org eğitimleri Türkçe dahil çok dillidir.