metadata

tags:
  - summarization
  - generated_from_trainer
datasets:
  - mlsum
model-index:
  - name: mT5_multilingual_XLSum-finetuned-mlsum-tr
    results: []
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

mT5_multilingual_XLSum-finetuned-mlsum-tr

This model is a fine-tuned version of 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