MATLAB ile Mühendislik #16 | CNN ile Rakam Tanıma: Katman Boyutu, Parametre ve Karışıklık Matrisi

Eğitmen: Dr. Süleyman Burak ÇELİK

Zarftaki posta kodunu makine nasıl okur? 28 × 28 gri görüntüyü on rakamdan birine ayıran küçük bir evrişimli sinir ağını (CNN) MATLAB'da kurup eğitiyoruz. Çıkış boyutu, öğrenilebilir parametre sayısı, tek pikselde konvolüsyon ve karışıklık matrisi: her adım elle ve MATLAB ile. Veri: DigitDataset, 10000 görüntü, her rakamdan 1000; 7000 eğitim, 1000 doğrulama, 2000 test. Ağ: 3 × 3 konvolüsyon + toplu normalleştirme + ReLU blokları (8, 16, 32 süzgeç), iki 2 × 2 havuzlama, tam bağlı katman, softmax; 14 katman. Boyutlar 28×28×8 → 14×14×16 → 7×7×32, tam bağlı giriş 7 × 7 × 32 = 1568. Parametreler: 80 + 16 + 1168 + 32 + 4640 + 64 = 6000, tam bağlı 15690, toplam 21690 (dlnetwork aynı); yüzde 72'si tam bağlı katmanda. Klasik hata: 32 × 32 girdi 2048 sayı getirir, katman 1568 bekler, 'Execution failed during layers "fc"'. Tek piksel: satır 6, sütun 8, süzgeç 4 için çarpım-toplam 35.635 (MATLAB 35.6364), normalleştirme ve ReLU sonrası 0.9445, MATLAB'la aynı; boş zeminde 0.478. Eğitim: 7000 / 128 → tur başına 54, 4 turda 216 yineleme; ilk kayıp 2.7291 (−ln 0.1 = 2.3026), son 0.0549; işlemcide yaklaşık 40 sn. Test: 20 yanlış, doğruluk 0.99; en zayıf satır 3 (195 / 200), 2 rakamı satırda tam ama sütunda 200 / 207. Ekrandaki her komut, sayı ve eğri MATLAB R2026b'de gerçekten çalıştırıldı; 3B katman yığınındaki dokular ağın gerçek aktivasyonlarıdır. Bu derste: 1. Veri: imageDatastore, splitEachLabel ve eğitim, doğrulama, test kümeleri 2. Katman katman çıkış boyutu; tam bağlı giriş sayısı 3. Öğrenilebilir parametre sayımı ve dlnetwork ile sağlama 4. 32 × 32 girdi hatası: tam bağlı katman boyutu neden sabit? 5. Tek pikselde konvolüsyon, toplu normalleştirme ve ReLU elle 6. trainnet: yineleme sayısı ve çapraz entropi kaybı 7. Karışıklık matrisi: en zayıf satır ve sütun oranı Bölümler: 0:00 Problem: makine rakamı nasıl okur? 0:37 Kaynak kitap ve kapsam 1:02 Veri ve üç küme 1:33 Neden konvolüsyon? (3B katman yığını) 2:08 Sınav sorusu ve ağın kurulumu 2:53 (a) Katman boyutları 3:31 (b) Parametre sayımı 4:50 (c) 32 × 32 hatası 5:32 Tek pikselde konvolüsyon 6:48 Toplu normalleştirme ve ReLU 8:17 Yineleme ve kayıp 9:30 Test ve karışıklık matrisi 10:56 Ne yaptık? 11:24 Kural ve sıradaki konu Gerekli MATLAB eklentileri: Deep Learning Toolbox 26.2 (MATLAB R2026b): imageInputLayer, convolution2dLayer, batchNormalizationLayer, reluLayer, maxPooling2dLayer, fullyConnectedLayer, softmaxLayer, dlnetwork, trainingOptions, trainnet, minibatchpredict, scores2label ve DigitDataset. Statistics and Machine Learning Toolbox 26.2: confusionmat. imageDatastore, splitEachLabel, countEachLabel, readimage, numel, mean, sum, rng temel MATLAB ile gelir. Kaynak kitap: Goodfellow, Bengio, Courville, Deep Learning (MIT Press, 2016): Bölüm 9 (konvolüsyon, havuzlama, parametre paylaşımı), 8.7.1 (toplu normalleştirme), Bölüm 6 (softmax ve çapraz entropi), 8.3 (SGD ve momentum). Konu sırası ve notasyon kitaptan; ağ, sayılar, animasyonlar ve örnekler özgündür. Her sonuç MATLAB'dan bağımsız bir Python denetimiyle doğrulandı (numpy ileri geçişi MATLAB skorlarıyla 2e-3 içinde). Anlatım yapay zekâ sesiyle (Gemini) seslendirildi; ders kurgusu, örnekler ve MATLAB çalıştırmaları özgündür. Hedef kitle: bilgisayar, elektrik-elektronik ve yazılım mühendisliği öğrencileri, derin öğrenmeye MATLAB'la başlayanlar. Ön koşul: matris çarpımı, logaritma; MATLAB'da temel komutlar.

Bu videoyu izlemek için Premium üyelik gerekir.