.. _chap_modern_cnn:

Modern Evrişimli Sinir Ağları
=============================


Artık CNN'leri biraraya bağlama temellerini anladığımıza göre, sizlerle
modern CNN mimarilerinde bir tur atacağız. Bu ünitede, her bölüm bir
noktada (veya şu anda) birçok araştırma projesinde ve konuşlandırılmış
sistemlerde inşanın temel modeli olan önemli bir CNN mimarisine karşılık
gelmektedir. Bu ağların her biri kısaca baskın bir mimariydi ve çoğu,
2010 yılından bu yana bilgisayarla görmede gözetimli öğrenmenin
ilerlemesinin göstergesi olarak hizmet eden ImageNet yarışmasında
kazananlar veya ikincilerdi.

Bu modeller, büyük ölçekli bir görme yarışmasında geleneksel
bilgisayarla görme yöntemlerini yenmek için konuşlandırılan ilk büyük
ölçekli ağ olan AlexNet'i içerir; bir dizi tekrarlayan eleman bloklarını
kullanan VGG ağı; girdileri tüm sinir ağlarını yamalı olarak evriştiren
ağ içindeki ağ (NiN); paralel birleştirmelere sahip ağları kullanan
GoogLeNet; bilgisayarla görmede en popüler kullanıma hazır mimari olmaya
devam eden artık ağlar (residual networks - ResNet) ve hesaplanması
külfetli ancak bazı alanlarda en yüksek başarı performanslarını ortaya
koyan yoğun bağlı ağlar (DenseNet).

*Derin* sinir ağları fikri oldukça basit olsa da (bir grup katmanı bir
araya getirin), performans mimarilere ve hiper parametre seçeneklerine
bağlı olarak aşırı farklılık gösterebilir. Bu bölümde açıklanan sinir
ağları sezginin, birkaç matematiksel içgörünün ve bir sürü deneme
yanılmanın ürünüdür. Bu modelleri tarihsel sırayla sunuyoruz, kısmen de
tarih duygusunu aktarmak için, böylece alanın nereye gittiği ile ilgili
kendi sezgilerinizi oluşturabilir ve belki de kendi mimarilerinizi
geliştirebilirsiniz. Örneğin, bu bölümde açıklanan toptan normalleştirme
ve artık bağlantılar, derin modellerin eğitimi ve tasarlanması için iki
popüler fikir sunmuştur.

.. toctree::
    :maxdepth: 2

    alexnet
    vgg
    nin
    googlenet
    batch-norm
    resnet
    densenet