Neden tam bağlı ağ yetmez

# Bir görüntüyü DÜZLEŞTİRİP (flatten) tam bağlı bir katmana vermek, ilk bakışta
# mantıklı görünüyor. Ama parametre sayısına bakalım.
def fc_parametre_sayisi(girdi_boyutu, gizli_noron):
    return girdi_boyutu * gizli_noron + gizli_noron  # ağırlıklar + bias

boyutlar = [(28, 28, 1, "MNIST rakamı"), (64, 64, 3, "küçük renkli görsel"), (224, 224, 3, "tipik ImageNet boyutu")]
print(f"{'Görüntü':<24} {'Piksel sayısı':<14} {'Gizli nöron':<12} {'Parametre sayısı':<18}")
for h, w, c, isim in boyutlar:
    girdi_boyutu = h * w * c
    for gizli in [128, 512]:
        p = fc_parametre_sayisi(girdi_boyutu, gizli)
        print(f"{isim:<24} {girdi_boyutu:<14,} {gizli:<12} {p:<18,}")

print("\nTEK bir gizli katman için bile, tipik bir görüntü boyutunda parametre sayısı 77 MİLYONA çıkıyor.")
print("Bu SADECE ilk katman -- gerçek bir ağda onlarca katman olur.")

# Daha da temel bir sorun: FC ağ, "NEREDE" bir örüntü gördüğünü öğrenir -- "NE" olduğunu değil.
def kare_ekle(taban, satir, sutun, boyut=2):
    img = taban.clone()
    img[satir:satir + boyut, sutun:sutun + boyut] = 1.0
    return img

# Eğitim verisi: kare HER ZAMAN sol-üst köşede (satır=0, sütun=0)
N = 40
egitim_x, egitim_y = [], []
for i in range(N):
    if i % 2 == 0:
        img = kare_ekle(torch.zeros(8, 8), 0, 0)
        egitim_y.append(1)
    else:
        img = torch.zeros(8, 8)
        egitim_y.append(0)
    img = img + torch.randn(8, 8) * 0.05
    egitim_x.append(img.flatten())
egitim_x = torch.stack(egitim_x)
egitim_y = torch.tensor(egitim_y, dtype=torch.float32)

ag = nn.Sequential(nn.Linear(64, 32), nn.ReLU(), nn.Linear(32, 1), nn.Sigmoid())
optimizer = torch.optim.Adam(ag.parameters(), lr=0.01)
for _ in range(300):
    optimizer.zero_grad()
    tahmin = ag(egitim_x).squeeze()
    kayip = nn.functional.binary_cross_entropy(tahmin, egitim_y)
    kayip.backward()
    optimizer.step()

with torch.no_grad():
    egitim_tahmin = (ag(egitim_x).squeeze() > 0.5).float()
    egitim_dogruluk = (egitim_tahmin == egitim_y).float().mean().item()
print(f"\nEğitim doğruluğu (kare her zaman sol-üst köşede): {egitim_dogruluk:.2f}")

# Şimdi AYNI kareyi, HİÇ görülmemiş bir pozisyona (sağ-alt köşe) koyalım.
test_x, test_y = [], []
for i in range(20):
    if i % 2 == 0:
        img = kare_ekle(torch.zeros(8, 8), 5, 5)  # farklı pozisyon -- eğitimde hiç görülmedi
        test_y.append(1)
    else:
        img = torch.zeros(8, 8)
        test_y.append(0)
    img = img + torch.randn(8, 8) * 0.05
    test_x.append(img.flatten())
test_x = torch.stack(test_x)
test_y = torch.tensor(test_y, dtype=torch.float32)

with torch.no_grad():
    test_tahmin = (ag(test_x).squeeze() > 0.5).float()
    test_dogruluk = (test_tahmin == test_y).float().mean().item()
print(f"Test doğruluğu (AYNI kare, KAYDIRILMIŞ pozisyonda): {test_dogruluk:.2f}")
print("\nEğitimde %100 -- ama pozisyon değişince neredeyse RASTGELE tahmin (%50) seviyesine düşüyor!")
print("Ağ, 'sol-üst köşedeki pikseller parlak' kuralını öğrendi -- 'bir yerde parlak bir kare var' kuralını DEĞİL.")