README.md

---
tags:
- summarization
- generated_from_trainer
datasets:
- mlsum
widget:
- text: 'PyTorch Nedir? Pytorch vs Tensorflow vs Keras ! Yapay zekanın alt dallarından
    biri olan derin öğrenme üzerine yapılan araştırmalar gün geçtikçe artmakta. Çoğu
    alanda klasik makine öğrenmesi algoritmalarına göre doğruluk oranı çok daha yüksek
    bu algoritmalar ses tanıma, nesne tanıma, sınıflandırma gibi alanlarda aktif şekilde
    kullanılmaya devam etmektedir.Bu derin öğrenme modellerini oluşturmak için de
    açık kaynak olarak geliştirilen birçok kütüphane mevcuttur. Daha önce Keras ve
    Tensorflow kütüphanelerinden bahsetmiştik. Bunlardışında sıklıkla kullanılan,
    bizim için derin öğrenme modellerinde arkadaki matematiksel işlemleri yapan kütüphaneler
    mevcut. Bunların en meşhuru ise PyTorch’dur. Bu yazıda son zamanlarda çok fazla
    popüler olan ve oldukça sık kullanılan PyTorch’u tanımladıktan sonra TensorFlow
    ve Keras ile karşılaştırarak avantajları ve dezavantajlarıdan bahsedeceğiz. PyTorch,
    derin öğrenme modelleri oluştururken kullanılan ve geliştiricilerin işlerini oldukça
    kolaylaştıran bir Python kütüphanesidir. Grafik işlem birimlerini kullanan PyTorch
    esnek ve hızlı yapısı ile günümüzdeoldukça popüler konumdadır. PyTorch’un rakiplerine
    göre mükemmel bir ivme ile gelişmesinin sebebi zahmetsizce oluşturabilmesidir.
    PyTorch Özellikleri : Basit Arayüz : Kullanımı kolay API sunar, bu nedenle Python
    gibi çalıştırılması çok basittir. Pythonic in nature : Pythonic olan bu kütüphane,
    Python veri bilimi ile sorunsuz bir şekilde bütünleşir . Böylece Python tarafından
    sunulan tüm hizmetlerden ve işlevlerden yararlanabilir ve kolayca adapte edilebilir.
    Hesaplamalı grafikler : PyTorch dinamik hesaplama grafikleri sunan kullanışlı
    bir platform sağlar, böylece çalışma zamanı sırasında değiştirilebilir. Bu, nöral
    bir ağ modeli oluşturmak için ne kadar bellek gerekeceğini bilmediğinizde oldukça
    kullanışlıdır. Pytorch ve TensorFlow Deep Learning ve yapay zeka alanında çalışan
    herkes muhtemelen Google’ın en popüler açık kaynak kütüphanesi olan TensorFlow
    ile çalışmıştır . Bununla birlikte, en son deep learning freamwork’ü — PyTorch
    araştırma çalışmaları açısından önemli sorunları çözmektedir. Muhtemelen PyTorch,
    TensorFlow’un bugüne kadarki en büyük rakibi ve şu anda araştırma topluluğunda
    çokça tercih edilen deep learning ve yapay zeka kütüphanesidir. Pytorch günümüzde
    birçok derin öğrenme projesi için kullanılmaktadır ve üç ana çerçeveden en az
    popüler olan olmasına rağmen trendler bunun yakında değişeceğini gösteriyor. Araştırmacılar
    esneklik, hata ayıklama yetenekleri ve kısa eğitim süresi istediklerinde Pytorch’u
    seçerler. Linux, macOS ve Windows üzerinde çalışmaktadır. İyi belgelenmiş çerçevesi
    ve çok sayıda eğitimli model ve öğretici sayesinde TensorFlow, birçok endüstri
    profesyonelinin ve araştırmacının favori aracıdır. TensorFlow, geliştiricilerin
    daha iyi hata ayıklamasına ve eğitim sürecini izlemesine olanak tanıyan daha iyi
    görselleştirme sunar. Ancak Pytorch, yalnızca sınırlı görselleştirme sağlar.TensorFlow
    ayrıca, TensorFlow Sunma çerçevesi sayesinde eğitimli modelleri üretime dağıtmada
    Pytorch’u geride bırakıyor. Pytorch böyle bir çerçeve sunmaz. Veri paralelliği
    alanında, PyTorch, Python aracılığıyla eşzamansız yürütme için yerel desteğe güvenerek
    en iyi performansı elde eder. Ancak TensorFlow ile, dağıtılmış eğitime izin vermek
    için belirli bir cihazda çalıştırılan her işlemi manuel olarak kodlamanız ve optimize
    etmeniz gerekir. Özetle, PyTorch’taki her şeyi TensorFlow’da çoğaltabilirsiniz;
    sadece üzerinde daha çok çalışman gerekiyor. Derin öğrenmeyi keşfetmeye yeni başlıyorsanız,
    araştırma topluluğundaki popülaritesi nedeniyle önce Pytorch’u öğrenmelisiniz.
    Ancak, makine öğrenimi ve derin öğrenmeye aşinaysanız ve sektörde mümkün olan
    en kısa sürede iş bulmaya odaklandıysanız, önce TensorFlow’u öğrenmelisiniz. Pytorch
    ve Keras Derin öğrenme çerçeveleriyle çalışmaya yeni başlıyorsanız, bu seçeneklerin
    ikisi de tercih edilebilir. Matematikçiler ve deneyimli araştırmacılar, Pytorch’u
    daha fazla önermektedir. Keras, modellerini hızlı bir şekilde oluşturmalarına,
    eğitmelerine ve değerlendirmelerine olanak sağlayarak geliştiriciler için daha
    uygundur. Keras ayrıca daha fazla dağıtım seçeneği ve daha kolay model aktarımı
    sunar. Ancak, Pytorch’un Keras’tan daha hızlı olduğunu ve daha iyi hata ayıklama
    yeteneklerine sahip olduğunu unutmayın. Her iki platform da bol miktarda öğrenme
    kaynağı sundukları için yeterli düzeyde popülerliğe sahiptir. Keras, yeniden kullanılabilir
    kod ve öğreticilere mükemmel erişim imkanı ile öne çıkarken, Pytorch olağanüstü
    topluluk desteğine ve aktif geliştirmeye sahiptir. Keras, küçük veri kümeleri,
    hızlı prototip oluşturma ve çoklu arka uç desteği ile çalışırken en iyisidir.
    Karşılaştırmalı sadeliği sayesinde en popüler platformdur. Linux, MacOS ve Windows
    üzerinde çalışır. En İyisi Hangisi? Herkesin ihtiyaçları farklıdır, bu nedenle
    yapay zeka projeniz için hangi özelliklerin en önemli olduğu belirleyici bir faktördür.
    Daha iyi anlayabilmek için burada Keras ve Pytorch ve TensorFlow arasındaki özelliklerin
    karşılaştırılmasını veren bir tablo bulunmaktadır. Bu tabloyu incelediğimizde
    hepsinin birbirine karşı üstün oldukları noktalar olduğunu görüyoruz. Aslında
    sonuç olarak hepsi birbirine benzerdir. Buradaki seçim yapılırken önemli olan
    projemizdeki hangi özelliğin daha fazla öne çıkmasını istediğimizdir. Sonraki
    yazılarımızda görüşmek üzere…'
  example_title: Random Medium article
base_model: csebuetnlp/mT5_multilingual_XLSum
model-index:
- name: mT5_multilingual_XLSum-finetuned-mlsum-tr
  results: []
---

<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->

# mT5_multilingual_XLSum-finetuned-mlsum-tr

This model is a fine-tuned version of [csebuetnlp/mT5_multilingual_XLSum](https://huggingface.co/csebuetnlp/mT5_multilingual_XLSum) on the mlsum dataset.
It achieves the following results on the evaluation set:
- eval_loss: 1.8230
- eval_rouge1: 38.1147
- eval_rouge2: 25.2516
- eval_rougeL: 33.3003
- eval_rougeLsum: 34.7125
- eval_runtime: 810.61
- eval_samples_per_second: 2.853
- eval_steps_per_second: 0.358
- epoch: 4.0
- step: 24928

## Model description

More information needed

## Intended uses & limitations

More information needed

## Training and evaluation data

More information needed

## Training procedure

### Training hyperparameters

The following hyperparameters were used during training:
- learning_rate: 5.6e-05
- train_batch_size: 8
- eval_batch_size: 8
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- num_epochs: 8

### Framework versions

- Transformers 4.25.1
- Pytorch 1.13.0+cu116
- Datasets 2.8.0
- Tokenizers 0.13.2