CNN Pooling, Convolution & Attention - Demo Projesi

Bu proje, Convolutional Neural Networks (CNN) mimarisinde temel işlemleri detaylı olarak gösterir. İki Jupyter notebook halinde pooling, convolution ve attention mekanizmalarının görsel demonstrasyonlarını içerir.

---

📋 Proje İçeriği

Bölüm 1: CNN Pooling İşlemleri (pooling-demo.ipynb)

CNN'lerde feature map boyutlarını azaltmak ve temel özellikleri korumak için kullanılan pooling işlemleri:

1. Max Pooling

   • Pencere içindeki maksimum değeri seçer
   • Formül: $y_{i,j} = \max_{(m,n) \in \text{window}} x_{i+m, j+n}$

   

2. Average Pooling

   • Pencere içindeki ortalaması hesaplar
   • Detaylı açıklamalar ve karşılaştırmalar

3. Mix Pooling

   • Max ve Average pooling'in kombinasyonu

4. Stochastic Pooling

   • Rastgele ağırlıklandırılmış pooling yöntemi

5. Detection Pooling

   • Özellikleri tespit etmeye yönelik pooling

6. U-Net Pooling

   • Segmentation mimarisinde kullanılan pooling

---

Bölüm 2: CNN Convolution & Attention (pooling-demo-2.ipynb)

CNN'lerde feature extraction ve dikkat mekanizmaları:

1. Strided Convolution

   • Stride parametresiyle farklı adımlı konvülüsyon işlemleri
   • Formül: $\text{output_size} = \lfloor \frac{\text{input} - \text{kernel}}{\text{stride}} \rfloor + 1$

2. Dilated Convolution

   • Receptive field'i genişletmek için kullanılan teknik
   • Farklı dilation rate'leri gösterir

   

3. Attention Mechanism

   • Self-attention ve channel attention mekanizmaları
   • Model performansını artıran teknikler

   

---

🛠️ Gereksinimler

numpy
matplotlib
pillow (PIL)

Kurulum:

pip install numpy matplotlib pillow

---

🚀 Kullanım

Jupyter Notebook Açmak:

jupyter notebook pooling-demo.ipynb

veya

jupyter notebook pooling-demo-2.ipynb

Not:

• Projede kullanılacak görsel dosyaları (.jpg, .jpeg, .png) aynı dizine yerleştirilmelidir
• Demoları çalıştırmak için apple.jpg gibi örnek bir görsel bulunmalıdır

---

📊 Notebook Yapısı

pooling-demo.ipynb

• 12 hücre (cell) içerir
• Markdown açıklamaları ve matematiksel formüller
• Görsel örnekler ve karşılaştırmalı analizler

pooling-demo-2.ipynb

• 8 hücre (cell) içerir
• Convolution ve attention tekniklerini adım adım gösterir
• İnterkaif görselleştirmeler

---

🎯 Temel Kavramlar

Max Pooling

Belirtilen pencere boyutundaki maksimum değeri seçerek feature map'i daraltır.

def max_pooling(mat, size=2):
    if len(mat.shape) == 3:
        return np.stack([max_pooling(mat[:,:,i], size) for i in range(3)], axis=2)
    h, w = mat.shape[0] // size, mat.shape[1] // size
    return mat.reshape(h, size, w, size).max(axis=(1, 3))

Strided Convolution

Stride parametresi ile sıçrama mesafesini kontrol ederek konvülüsyon işlemi gerçekleştirir.

---

📁 Dosya Yapısı

pooling-demo-2/
├── README.md                    # Bu dosya
├── pooling-demo.ipynb           # Bölüm 1: Pooling İşlemleri
├── pooling-demo-2.ipynb         # Bölüm 2: Convolution & Attention
├── images/                      # Görseller (opsiyonel)
│   ├── max_pooling.png
│   ├── pooling_comparison.png
│   ├── strided_convolution.png
│   ├── dilated_convolution.png
│   └── attention_mechanism.png
└── apple.jpg                    # Demo için örnek görsel

---

💡 Öğrenme Çıktıları

Bu proje tamamlandıktan sonra şunları öğreneceksiniz:

✅ CNN'deki pooling işlemlerinin matematiksel temeli
✅ Farklı pooling türlerinin kullanım alanları ve farkları
✅ Strided ve dilated convolution konseptleri
✅ Attention mekanizmalarının nasıl çalıştığı
✅ Feature extraction ve dimensionality reduction
✅ PyTorch/TensorFlow'da bu teknikler nasıl uygulanır

---

🔗 Kaynaklar

• CNN Architecture - Stanford CS231n
• Convolution Arithmetic Tutorial
• Attention is All You Need
• U-Net: Convolutional Networks for Biomedical Image Segmentation

---

👨‍💻 Yazar

Pooling ve Convolution Demo Projesi

---

📝 Notlar

• Tüm görseller notebook içinde otomatik olarak oluşturulur
• Matematiksel formüller LaTeX formatında yazılmıştır
• Kod açıklamalı ve anlaşılır şekilde yazılmıştır
• Proje eğitim amaçlı hazırlanmıştır

---

📧 İletişim & Geri Bildirim

Sorularınız ve önerileriniz için lütfen iletişime geçiniz.

---

Son Güncelleme: Aralık 2025