CNN'in temel yapı taşları nelerdir? Convolution katmanının çıktı boyutunu nasıl hesaplarsınız?

Convolutional Neural Network, görüntü gibi ızgara yapılı verilerde yerel örüntüleri öğrenen bir ağdır. Temel fikir: küçük bir filtre (kernel) görüntü üzerinde kaydırılır ve her konumda aynı ağırlıklar kullanılır.

Yapı taşları

• Convolution katmanı: Kenar, doku gibi yerel özellikleri çıkarır.
• Aktivasyon (genelde ReLU).
• Pooling (max/average): Uzamsal boyutu küçültür, küçük kaymalara karşı dayanıklılık sağlar.
• Normalization (BatchNorm) ve residual connection (ResNet).
• Sonda global average pooling ve fully connected sınıflandırıcı.

Neden fully connected yerine CNN?

1. Parametre paylaşımı: 3x3'lük bir filtre tüm görüntüde aynıdır. 224x224x3 bir görüntüye FC katman milyonlarca parametre gerektirirdi.
2. Yerel bağlantı: Her nöron sadece küçük bir bölgeye bakar.
3. Translation equivariance: Nesne kaysa özellik haritası da kayar.
4. Katmanlar derinleştikçe receptive field büyür: kenar, sonra şekil, sonra nesne parçaları.

Çıktı boyutu formülü

çıktı = floor((girdi - kernel + 2·padding) / stride) + 1

Örnek: 32x32 girdi, kernel 3, padding 1, stride 1 olursa çıktı 32x32 olur ("same" padding). Stride 2 olursa 16x16.

Parametre sayısı: (kernel_h · kernel_w · in_channels + 1) · out_channels. 3x3, 64 kanaldan 128 kanala giden bir katman için (3·3·64 + 1)·128 = 73.856.

import torch.nn as nn
conv = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1)

Not: 2025 itibarıyla görüntüde Vision Transformer (ViT) ve ConvNeXt gibi modeller yaygın olsa da CNN'ler edge cihazlarda ve küçük veri setlerinde hâlâ çok kullanılır.