CNN mimarisinin tamamı

# 25-29. derste öğrendiğimiz HER PARÇAYI birleştirip GERÇEK bir CNN'in ileri
# geçişini baştan sona izleyelim. Girdi: 16x16'lık bir "artı" şekli.
GIRDI_BOYUT = 16
girdi = torch.zeros(1, 1, GIRDI_BOYUT, GIRDI_BOYUT)
orta = GIRDI_BOYUT // 2
girdi[0, 0, orta-1:orta+1, 3:13] = 1.0  # yatay kol
girdi[0, 0, 3:13, orta-1:orta+1] = 1.0  # dikey kol

# Conv1: 4 elle-tasarlanmış çekirdek (27. dersteki gibi) -- ilk katmanlar genelde
# kenar/doku gibi BASİT örüntüleri öğrenir, biz burada bunu elle taklit ediyoruz.
k_yatay = torch.tensor([[-1., -2, -1], [0, 0, 0], [1, 2, 1]])
k_dikey = torch.tensor([[-1., 0, 1], [-2, 0, 2], [-1, 0, 1]])
k_capraz = torch.tensor([[2., 1, 0], [1, 0, -1], [0, -1, -2]])
k_blur = torch.ones(3, 3) / 9
conv1_kernel = torch.stack([k_yatay, k_dikey, k_capraz, k_blur]).unsqueeze(1)  # (4 filtre, 1 giriş kanalı, 3, 3)

conv1_cikis = F.conv2d(girdi, conv1_kernel, padding=1)  # "same" padding (28. ders)
print(f"Girdi şekli: {tuple(girdi.shape)} -> Conv1 çıkış şekli: {tuple(conv1_cikis.shape)}")
print("4 filtre, 4 farklı özellik haritası üretti -- her biri farklı bir örüntüye duyarlı.")

# ReLU (8. ders) negatifleri sıfırlar; MaxPool (29. ders) boyutu yarıya indirir.
relu1_cikis = F.relu(conv1_cikis)
pool1_cikis = F.max_pool2d(relu1_cikis, kernel_size=2, stride=2)

print(f"\nReLU1 sonrası şekil: {tuple(relu1_cikis.shape)} (değişmedi -- ReLU boyutu etkilemez)")
print(f"Pool1 sonrası şekil: {tuple(pool1_cikis.shape)} (16x16 -> 8x8, MaxPool boyutu yarıya indirdi)")
print(f"Negatif değer oranı (ReLU öncesi): {(conv1_cikis < 0).float().mean().item():.2%}")
print(f"Negatif değer oranı (ReLU sonrası): {(relu1_cikis < 0).float().mean().item():.2%}")

# İkinci konvolüsyon bloğu: 4 kanaldan 8 kanala. Bu katmanın çekirdekleri artık
# elle tasarlanmıyor -- gerçek bir ağda geri yayılımla ÖĞRENİLİR (biz burada
# rastgele başlatılmış haliyle gösteriyoruz -- henüz eğitilmemiş bir ağ gibi).
conv2_kernel = torch.randn(8, 4, 3, 3) * 0.3
conv2_cikis = F.conv2d(pool1_cikis, conv2_kernel, padding=1)
relu2_cikis = F.relu(conv2_cikis)
pool2_cikis = F.max_pool2d(relu2_cikis, kernel_size=2, stride=2)

print(f"\nConv2 çıkış şekli: {tuple(conv2_cikis.shape)} -- 4 kanaldan 8 kanala ÇIKTI")
print(f"Pool2 sonrası şekil: {tuple(pool2_cikis.shape)} -- 8x8 -> 4x4")
print("Her konvolüsyon+pool bloğu, uzamsal boyutu KÜÇÜLTÜP kanal (özellik) sayısını ARTIRIYOR.")
print("Bu, CNN mimarilerinin karakteristik deseni: derinleştikçe 'daha az yer, daha çok anlam'.")

# Son adım: uzamsal haritayı DÜZLEŞTİRİP (flatten) tam bağlı bir katmana ver --
# 26. derste sorguladığımız o "tam bağlı ağ" burada, ama artık HAM piksellere değil,
# CNN'in çıkardığı YÜKSEK SEVİYELİ özelliklere uygulanıyor.
duzlestir = pool2_cikis.flatten()
fc_agirlik = torch.randn(10, duzlestir.shape[0]) * 0.1
fc_bias = torch.randn(10) * 0.1
fc_cikis = fc_agirlik @ duzlestir + fc_bias
softmax_cikis = F.softmax(fc_cikis, dim=0)

print(f"\nDüzleştirilmiş vektör boyutu: {duzlestir.shape[0]} (4×4×8)")
print(f"FC çıkış (10 'sınıf' için ham logit): {[f'{v:.2f}' for v in fc_cikis.tolist()]}")
print(f"Softmax sonrası olasılıklar: {[f'{v:.3f}' for v in softmax_cikis.tolist()]}")
print(f"En yüksek olasılıklı sınıf: {softmax_cikis.argmax().item()} (olasılık={softmax_cikis.max().item():.3f})")
print("\nBu 'sınıf' rastgele başlatılmış (eğitilmemiş) ağırlıklarla üretildi -- gerçek bir sınıflandırma değil,")
print("sadece 27-30. derste gördüğümüz TÜM parçaların (konv, ReLU, pool, FC, softmax) nasıl ZİNCİRLENDİĞİNİ gösteriyor.")