--- 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](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