Veri artırma

# torchvision.transforms, gerçek görüntülerde en sık kullanılan artırma (augmentation)
# tekniklerini hazır sunar. Küçük bir örnek görselde bunları görelim.
ornek_gorsel = torch.zeros(1, 8, 8)
ornek_gorsel[0, 2:6, 3:5] = 1.0  # basit bir dikdörtgen

donusumler = {
    "Orijinal": lambda x: x,
    "Yatay çevirme": T.RandomHorizontalFlip(p=1.0),
    "Döndürme (±15°)": T.RandomRotation(15),
    "Rastgele kırpma": T.RandomCrop(6),
}

print("Aynı görsele farklı dönüşümler uygulandığında şekilleri:")
for isim, donusum in donusumler.items():
    sonuc = donusum(ornek_gorsel)
    print(f"  {isim}: şekil {tuple(sonuc.shape)}")

print("\nBu dönüşümlerin hiçbiri etiketi (bu görselin ait olduğu sınıf) değiştirmez -- sadece pikselleri.")
print("Fikir: aynı nesnenin binlerce 'varyasyonunu' yapay olarak üretip modele göstermek.")

# 26. dersteki 'kare, farklı pozisyonda tanınamıyor' sorununa dönelim -- ama bu kez
# CNN kullanalım ve sadece 2 pozisyonda eğitelim.
def kare_ekle(taban, satir, sutun, boyut=2):
    img = taban.clone()
    img[satir:satir+boyut, sutun:sutun+boyut] = 1.0
    return img

def veri_uret(pozisyonlar, n, gurultu=0.05):
    xs, ys = [], []
    for i in range(n):
        if i % 2 == 0:
            satir, sutun = pozisyonlar[torch.randint(0, len(pozisyonlar), (1,)).item()]
            img = kare_ekle(torch.zeros(10, 10), satir, sutun)
            ys.append(1)
        else:
            img = torch.zeros(10, 10)
            ys.append(0)
        img = img + torch.randn(10, 10) * gurultu
        xs.append(img)
    return torch.stack(xs).unsqueeze(1), torch.tensor(ys, dtype=torch.float32)

egitim_pozisyonlari = [(0, 0), (1, 1)]  # Sadece sol-üst bölgede
egitim_x, egitim_y = veri_uret(egitim_pozisyonlari, 60)

test_pozisyonlari = [(0, 0), (2, 3), (5, 5), (6, 2), (3, 6), (7, 7)]  # Çok daha geniş bir alan
test_x, test_y = veri_uret(test_pozisyonlari, 40)

def ag_olustur():
    torch.manual_seed(1)
    return nn.Sequential(
        nn.Conv2d(1, 4, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
        nn.Conv2d(4, 8, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
        nn.Flatten(), nn.Linear(8 * 2 * 2, 1), nn.Sigmoid(),
    )

def egit(kaydirma_augmentation, epochs=200, lr=0.01):
    ag = ag_olustur()
    optimizer = torch.optim.Adam(ag.parameters(), lr=lr)
    for _ in range(epochs):
        if kaydirma_augmentation:
            ks, kt = torch.randint(-2, 3, (2,)).tolist()
            girdi = torch.roll(egitim_x, shifts=(ks, kt), dims=(2, 3))  # rastgele kaydırma
        else:
            girdi = egitim_x
        optimizer.zero_grad()
        tahmin = ag(girdi).squeeze()
        kayip = nn.functional.binary_cross_entropy(tahmin, egitim_y)
        kayip.backward()
        optimizer.step()
    with torch.no_grad():
        egitim_dogruluk = ((ag(egitim_x).squeeze() > 0.5).float() == egitim_y).float().mean().item()
        test_dogruluk = ((ag(test_x).squeeze() > 0.5).float() == test_y).float().mean().item()
    return egitim_dogruluk, test_dogruluk

et_yok, tt_yok = egit(kaydirma_augmentation=False)
print(f"\nAugmentation yok: eğitim doğruluğu={et_yok:.2f}, test doğruluğu (yeni pozisyonlarda)={tt_yok:.2f}")

# Şimdi aynı eğitim verisine, her adımda rastgele bir kaydırma (augmentation) uygulayalım.
et_var, tt_var = egit(kaydirma_augmentation=True)
print(f"Augmentation var: eğitim doğruluğu={et_var:.2f}, test doğruluğu (yeni pozisyonlarda)={tt_var:.2f}")
print(f"\nİkisi de eğitim verisinde mükemmel ({et_yok:.2f} ve {et_var:.2f}) -- ama test doğruluğu {tt_yok:.2f} → {tt_var:.2f} sıçradı!")
print("Augmentation, modele 'kare her yerde olabilir' fikrini öğretti -- sadece 2 sabit pozisyonu ezberlemek yerine.")