İçeriğe geç

Türev, Gradient ve Matrix Calculus: Backprop'un Matematiği Sıfırdan

Skalerden vektöre, vektörden matrise türev. Jacobian, Hessian, chain rule, numerator vs denominator layout. Softmax + cross-entropy'nin türevinin neden zarif olduğu. Backprop'un manuel hesabıyla PyTorch autograd karşılaştırması.

Şükrü Yusuf KAYA
40 dakikalık okuma
Orta
Türev, Gradient ve Matrix Calculus: Backprop'un Matematiği Sıfırdan
🧮 Backprop'u 'sihir' olmaktan çıkaracağız
Çoğu öğrenci backpropagation'ı 'PyTorch yapıyor' diye geçer. Senior pozisyonlarda bu kabul edilmez — autograd bug'ı debug ettiğinde, custom backward yazdığında, FlashAttention kerneli düşündüğünde matematiği bilmeden geçilmez. 40 dakika sonra zincir kuralının matris versiyonunu kendi başına yazabileceksin.

Ders Haritası#

  1. Skaler türev refresher
  2. Kısmi türev ve gradient (skaler → vektör)
  3. Jacobian (vektör → vektör)
  4. Hessian (skaler → matris)
  5. Zincir kuralı matris versiyonu
  6. Numerator vs denominator layout — büyük tuzak
  7. NN'de yaygın türevler: sigmoid, softmax, cross-entropy
  8. Softmax + Cross-entropy zarif türevi
  9. Manuel backprop — küçük bir ağda adım adım
  10. PyTorch autograd ile karşılaştırma

1. Skaler Türev — Refresher#

Bir fonksiyon
f: ℝ → ℝ
. Türev:
f′(x)=lim⁡h→0f(x+h)−f(x)hf'(x) = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}
Geometrik: tanjant doğrusunun eğimi. Fiziksel: değişim hızı.
Önemli türevler:
  • d/dx [x^n] = n x^{n-1}
  • d/dx [e^x] = e^x
  • d/dx [ln(x)] = 1/x
  • d/dx [sin(x)] = cos(x)
Çarpım kuralı:
(fg)' = f'g + fg'
Bölüm kuralı:
(f/g)' = (f'g - fg') / g²
Zincir kuralı:
(f(g(x)))' = f'(g(x)) · g'(x)

2. Kısmi Türev ve Gradient#

Çok değişkenli fonksiyon
f: ℝ^n → ℝ
için her bir değişkene göre ayrı türev alabiliriz. Buna partial derivative (kısmi türev) denir.
∂f∂xi\frac{\partial f}{\partial x_i}
x_i
'ye göre türev alırken, diğer tüm değişkenler sabit kabul edilir.

Gradient#

Tüm kısmi türevlerin bir vektörde toplanmış haline gradient denir:
∇f=(∂f∂x1,∂f∂x2,…,∂f∂xn)\nabla f = \left(\frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \dots, \frac{\partial f}{\partial x_n}\right)
Sezgi: Gradient, fonksiyonun en hızlı arttığı yönü gösteren bir vektördür. Büyüklüğü = artış hızı.

LLM'de:#

Loss
L
∈ ℝ. Weight
W
∈ ℝ^{d_out × d_in}.
∂L/∂W
∈ ℝ^{d_out × d_in} — her bir weight için gradient. Bunu loss'un weight'e göre türevi diye okuruz.
W ← W - η ∇L
ile gradient descent yaparız.
python
import torch
 
# f(x, y) = x^2 + 3*x*y + y^2
# ∂f/∂x = 2x + 3y
# ∂f/∂y = 3x + 2y
# Gradient: (2x+3y, 3x+2y)
 
x = torch.tensor(1.0, requires_grad=True)
y = torch.tensor(2.0, requires_grad=True)
f = x**2 + 3*x*y + y**2
 
# PyTorch autograd
f.backward()
print("∂f/∂x =", x.grad.item())   # 2*1 + 3*2 = 8
print("∂f/∂y =", y.grad.item())   # 3*1 + 2*2 = 7
 
# Manuel doğrulama:
# Gradient'in büyüklüğü: ||∇f|| = √(8² + 7²) = √113 ≈ 10.63
# En hızlı artış yönü: (8/10.63, 7/10.63)
PyTorch autograd ile gradient hesabı + manuel doğrulama.

3. Jacobian — Vektör Çıktılı Fonksiyonlar#

Şimdi
f: ℝ^n → ℝ^m
(vektör → vektör). Türevi nedir?
Cevap: Jacobian matrisi. m × n matris:
J=∂f∂x=[∂f1∂x1…∂f1∂xn⋮⋱⋮∂fm∂x1…∂fm∂xn]J = \frac{\partial \mathbf{f}}{\partial \mathbf{x}} = \begin{bmatrix} \frac{\partial f_1}{\partial x_1} & \dots & \frac{\partial f_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial f_m}{\partial x_1} & \dots & \frac{\partial f_m}{\partial x_n} \end{bmatrix}
Her satır = output bileşeninin gradient'i. Her sütun = input bileşenine göre output'un nasıl değiştiği.

Sezgi#

f(x + dx) ≈ f(x) + J · dx
— birinci dereceden Taylor.
Yani Jacobian = "fonksiyonun lokal linearleştirilmesi". Lineer cebirin türeve karışmış hali.

NN'de Jacobian#

Bir Linear layer:
y = Wx + b
. Jacobian:
∂y/∂x = W
. Her zaman. Sigmoid:
y = σ(x)
element-wise. Jacobian diagonal:
diag(σ(x) * (1 - σ(x)))
. Softmax: Jacobian dense (köşegen değil) — birazdan göreceğiz.

4. Hessian — İkinci Türev Matrisi#

f: ℝ^n → ℝ
skaler fonksiyonun ikinci türevleri, Hessian matrisinde toplanır:
Hij=∂2f∂xi∂xjH_{ij} = \frac{\partial^2 f}{\partial x_i \partial x_j}
n × n simetrik matris (Schwarz teoremi:
∂²/∂x∂y = ∂²/∂y∂x
).

Niye önemli?#

  • Convexity testi: Hessian pozitif tanımlı → fonksiyon konveks (yerel minimum globaldir)
  • Newton method:
    x_{k+1} = x_k - H^{-1} ∇f
    — daha hızlı convergence
  • Loss landscape analysis: Hessian eigenvalue'ları → flat vs sharp minima
  • LLM training: Adam ailesi Hessian'a yaklaşım yapıyor

Pratik#

Tam Hessian'ı saklamak imkânsız (modelin 10B parametresi → Hessian 10B × 10B = 10^20 element). Bunun yerine diagonal Hessian ya da Hessian-vector products kullanılır (Modül 17'de detayda).

5. Zincir Kuralı — Backpropagation'ın Kalbi#

Skaler versiyonu:
(f(g(x)))' = f'(g(x)) · g'(x)
.
Matris versiyonu (genel):
y = f(g(x))
, x → g → z → f → y.
∂y∂x=∂y∂z⋅∂z∂x\frac{\partial \mathbf{y}}{\partial \mathbf{x}} = \frac{\partial \mathbf{y}}{\partial \mathbf{z}} \cdot \frac{\partial \mathbf{z}}{\partial \mathbf{x}}
İki Jacobian'ın matris çarpımı.

NN bağlamı#

Bir 3-katmanlı ağ:
x → [Layer 1] → h1 → [Layer 2] → h2 → [Layer 3] → y → L
Loss'un Layer 1'in weight'ine göre gradient'i:
∂L∂W1=∂L∂y⋅∂y∂h2⋅∂h2∂h1⋅∂h1∂W1\frac{\partial L}{\partial W_1} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial h_2} \cdot \frac{\partial h_2}{\partial h_1} \cdot \frac{\partial h_1}{\partial W_1}
Backprop, bu çarpımı sağdan sola (output'tan input'a) yapar — çünkü her seferinde sadece bir Jacobian × vektör (gradient) çarpımı gerekiyor, tam matris saklamaya gerek yok.
💡 Backprop = Zincir kuralı + dinamik programlama
Backprop'un sırrı: aynı ara hesabı tekrarlamamak. Forward pass'te kaydedilen ara çıkışları kullanarak, gradient'leri tek geçişte hesapla. Brüt zincir kuralı her gradient için ayrı zincir çarpsa, exponansiyel zaman alırdı. Backprop = O(n).

6. Numerator vs Denominator Layout — Büyük Tuzak#

Matrix calculus'ta türev tanımı için iki konvansiyon var:

Numerator layout (Jacobian convention)#

∂y/∂x — y'nin shape'i satır olarak gelir
Eğer
y
∈ ℝ^m,
x
∈ ℝ^n:
∂y/∂x ∈ ℝ^{m × n}
(m satır, n sütun).

Denominator layout (gradient convention)#

∂y/∂x — x'in shape'i satır olarak gelir
Eğer
y
∈ ℝ^m,
x
∈ ℝ^n:
∂y/∂x ∈ ℝ^{n × m}
(yukarıdakinin transpozu).

Hangi doğru?#

İkisi de doğru — sadece farklı konvansiyon. Karışıklık şudur: paper'lar her ikisini de kullanıyor. PyTorch implicit olarak denominator layout kullanıyor (gradient'in shape'i parametrenin shape'iyle aynı).
Mühendislik tavsiyesi: Bir konvansiyon seç (genelde denominator çünkü PyTorch öyle), tüm hesaplamalarını ona göre yap. Karıştırma!

7. NN'de Sık Karşılaşılan Türevler#

Bir mühendisin ezbere bilmesi gereken türevler:
Operasyonİleri (forward)Geri (backward)
y = Wx + b
linear
∂y/∂W = x^T
,
∂y/∂x = W
,
∂y/∂b = 1
y = σ(x)
(sigmoid)
1/(1+e^{-x})
y(1-y)
element-wise
y = tanh(x)
tanh(x)
1 - y²
y = ReLU(x)
max(0, x)
1
if x>0 else 0
y = softmax(x)
e^{x_i} / Σe^{x_j}
dense Jacobian (aşağıda)
L = CE(y, t)
-Σ t_i log(y_i)
dense ama softmax ile birleşince zarif

Softmax Jacobian#

y_i = e^{x_i} / Σ_k e^{x_k}
. Türev:
∂yi∂xj={yi(1−yi)i=j−yiyji≠j\frac{\partial y_i}{\partial x_j} = \begin{cases} y_i(1 - y_i) & i = j \\ -y_i y_j & i \neq j \end{cases}
Matris formunda:
J = diag(y) - y y^T
.
Bu Jacobian dense ve vektör girdisinin softmax'ı ile parametrize.

8. Softmax + Cross-Entropy: Sihirli Sadeleşme#

Bir LLM'in son katmanı tipik olarak:
logits → softmax → probs → cross-entropy with target
İki ayrı türev hesaplayıp çarparsan complicated. Ama birleştirip türev alınca çok zarif sonuç:

Setup#

  • Logits:
    z
    ∈ ℝ^V (V = vocab size)
  • Probs:
    y = softmax(z)
  • Target:
    t
    (one-hot veya integer)
  • Loss:
    L = -log(y_t)
    (sadece doğru sınıfın log'u)

Türev (manuel)#

L = -log(y_t) = -log(e^{z_t} / Σ e^{z_k})
  = -z_t + log(Σ e^{z_k})

∂L/∂z_i = -[i == t] + e^{z_i} / Σ e^{z_k}
        = -[i == t] + y_i
        = y_i - [i == t]
        = y_i - t_i   (one-hot t için)

Sonuç (göz alıcı)#

∂L∂z=y−t\frac{\partial L}{\partial z} = \mathbf{y} - \mathbf{t}
Predicted - target. Bu kadar basit.

Niye önemli?#

  • Numerik stabilite: softmax + log'u ayrı hesaplamak overflow riski; birleştirilmiş
    log_softmax + nll_loss
    (veya
    cross_entropy
    ) stabildir.
  • Hız: tek geçişte gradient.
  • Sezgi: "ne kadar yanılmıştın" doğrudan output'tan target'ı çıkarınca buluyorsun.
PyTorch'un
F.cross_entropy
fonksiyonu bu birleşimi otomatik yapıyor — sen log_softmax çağırmıyorsun,
nn.CrossEntropyLoss
zaten içerdiği için.
python
import torch
import torch.nn.functional as F
 
# Setup
torch.manual_seed(0)
logits = torch.randn(1, 5, requires_grad=True)  # 1 örnek, 5 sınıf
target = torch.tensor([2])                       # doğru sınıf: 2
 
# Forward
loss = F.cross_entropy(logits, target)
print("Loss:", loss.item())
 
# Backward (autograd)
loss.backward()
print("Autograd grad:", logits.grad)
 
# Manuel: grad = softmax(logits) - one_hot(target)
probs = F.softmax(logits.detach(), dim=-1)
one_hot = torch.zeros_like(probs)
one_hot[0, target] = 1.0
manual_grad = probs - one_hot
print("Manual grad:", manual_grad)
 
# Karşılaştır
print("Diff:", (logits.grad - manual_grad).abs().max().item())  # ~0
Softmax + cross-entropy zarif türevini manuel doğrulama.

9. Manuel Backprop — Bir Mini-Ağda Adım Adım#

Şimdi her şeyi birleştirelim. Basit bir 2-katmanlı ağ:
x ∈ ℝ^3  →  W₁ ∈ ℝ^{4×3}, b₁ ∈ ℝ^4  →  h = ReLU(W₁x + b₁)  →
            W₂ ∈ ℝ^{2×4}, b₂ ∈ ℝ^2  →  z = W₂h + b₂  →  L = CE(z, t)

Forward#

z₁ = W₁ x + b₁
h = ReLU(z₁) = max(0, z₁)
z₂ = W₂ h + b₂
L = -log(softmax(z₂)[t])

Backward (zincir kuralı)#

∂L/∂z₂ = softmax(z₂) - one_hot(t)        (yukarıdaki sihir)
∂L/∂W₂ = ∂L/∂z₂ · h^T                     (outer product)
∂L/∂b₂ = ∂L/∂z₂
∂L/∂h  = W₂^T · ∂L/∂z₂
∂L/∂z₁ = ∂L/∂h · (z₁ > 0)                (ReLU türevi: 1 if z₁>0)
∂L/∂W₁ = ∂L/∂z₁ · x^T
∂L/∂b₁ = ∂L/∂z₁
python
import torch
 
torch.manual_seed(0)
x = torch.randn(3)
W1 = torch.randn(4, 3, requires_grad=True)
b1 = torch.randn(4, requires_grad=True)
W2 = torch.randn(2, 4, requires_grad=True)
b2 = torch.randn(2, requires_grad=True)
t = torch.tensor(1)
 
# Forward
z1 = W1 @ x + b1
h = torch.relu(z1)
z2 = W2 @ h + b2
loss = torch.nn.functional.cross_entropy(z2.unsqueeze(0), t.unsqueeze(0))
 
# Backward (autograd)
loss.backward()
 
# Manuel hesapla
probs = torch.softmax(z2, dim=0)
one_hot = torch.zeros_like(probs)
one_hot[t] = 1.0
dL_dz2 = probs - one_hot                        # (2,)
dL_dW2 = dL_dz2.unsqueeze(1) @ h.detach().unsqueeze(0)   # (2, 4)
dL_db2 = dL_dz2                                  # (2,)
dL_dh = W2.detach().T @ dL_dz2                  # (4,)
dL_dz1 = dL_dh * (z1.detach() > 0).float()      # (4,) ReLU türevi
dL_dW1 = dL_dz1.unsqueeze(1) @ x.unsqueeze(0)   # (4, 3)
dL_db1 = dL_dz1
 
# Karşılaştır
print("W1 grad diff:", (W1.grad - dL_dW1).abs().max().item())
print("b1 grad diff:", (b1.grad - dL_db1).abs().max().item())
print("W2 grad diff:", (W2.grad - dL_dW2).abs().max().item())
print("b2 grad diff:", (b2.grad - dL_db2).abs().max().item())
# Hepsi ~0 → manuel hesap doğru ✓
Manuel backprop ile PyTorch autograd'ı bit-exact eşleme.
🎯 İşte backprop'un tamamı bu
Yukarıdaki 10 satırlık manuel hesap, Llama 3 8B'nin 32 layer'ında 32x tekrarlanan şey. Karmaşıklık ölçektendir, matematik aynıdır. Karpathy nanoGPT'sini 200 satırda yazıyor; sen şimdi her satırını anlıyorsun.

10. Vanishing ve Exploding Gradients#

Zincir kuralı şunu öğretir: gradient, birçok matrisin çarpımıdır.
∂L/∂W₁ = (∂L/∂z₂) · (W₂^T) · (ReLU') · (W₁) · ...
Eğer her matrisin eigenvalue'ları küçük (< 1) ise: çarpım sıfıra gider → vanishing gradient. Erken katmanlar öğrenmiyor.
Eğer eigenvalue'lar büyük (> 1) ise: çarpım patlar → exploding gradient. NaN loss.

Çözümler (Modül 17'de detay)#

  • Residual connections (skip): zincir kısalır, gradient direkt akar
  • Layer normalization / RMSNorm: aktivasyonları normalize
  • Gradient clipping:
    ||grad||₂ > τ
    ise scale
  • Initialization (Xavier, He, Kaiming, μP): başlangıçta gradient varyansını dengele
  • Better activations (GeLU, SwiGLU): kaydetme ve gradient akışı dengeli

11. PyTorch Autograd — İçeriye Bir Bakış#

PyTorch autograd'i bir computational graph kurar:
  • Her tensor (
    requires_grad=True
    ) bir node
  • Her operasyon bir edge
  • Forward pass'te ara çıkışlar saklanır (memory!)
  • backward()
    çağrılınca topological order'da reverse'lenir

Kontrol akışı#

x = torch.tensor(1.0, requires_grad=True)
y = x ** 2
z = y * 3
print(z.grad_fn)   # MulBackward0
print(y.grad_fn)   # PowBackward0
print(x.grad_fn)   # None (leaf)
z.backward()
print(x.grad)      # 6.0 (dz/dx = 6x = 6)

.detach()
ve
with torch.no_grad()
#

Bazı işlemleri graph'ten çıkar: gradient hesaplanmasın, bellek tutmasın.
y = x.detach()                          # x ile bağı koparır
with torch.no_grad():
    z = some_computation(x)             # inference için ideal

.backward()
ikinci kez#

Default'ta computational graph free'lenir. Tekrar
backward()
istersen:
retain_graph=True
.
Modül 2'de autograd'i sıfırdan yazacağız (micrograd Türkçe).

12. Mini Egzersizler#

  1. Skaler türev:
    f(x) = log(1 + e^x)
    (softplus). Türevi nedir? Sigmoid'le bağı var mı?
  2. Vektör gradient:
    f(x) = ||x||₂² = x^T x
    (x ∈ ℝ^n).
    ∇f
    nedir?
  3. Matrisle gradient:
    f(W) = ||Wx - y||₂²
    .
    ∂f/∂W
    nedir? (Hint: chain rule.)
  4. Softmax türev şekli: 5 sınıflı softmax çıktısı için Jacobian shape ne? Dense mi, diagonal mi?
  5. Cross-entropy farklı yazım: t = one-hot yerine t = integer index olsa,
    ∂L/∂z
    formülü değişir mi?

Bu Derste Neler Öğrendik?#

✓ Skaler türev → kısmi türev → gradient ✓ Jacobian (vektör → vektör) ve Hessian (skaler → matris) ✓ Zincir kuralı'nın matris versiyonu — backprop'un kalbi ✓ Numerator vs denominator layout — konvansiyon karmaşası ✓ NN'de yaygın türevler: linear, sigmoid, ReLU, softmax ✓ Softmax + cross-entropy zarif türevi:
predicted - target
✓ Manuel backprop — bir mini ağda adım adım PyTorch'la karşılaştırma ✓ Vanishing/exploding gradient sezgisi ve çözümleri ✓ PyTorch autograd'in nasıl çalıştığına bir bakış

Sıradaki Ders#

1.4 — Chain Rule ve Backpropagation: Mini-Autograd Sıfırdan Karpathy'nin
micrograd
'ını Türkçe sıfırdan inşa edeceğiz.
Value
class'ı,
__add__
,
__mul__
operator overloading,
backward()
topological sort'u. 100 satırlık autograd motoru — bu kursun en eğitici lab'larından biri.

Sık Sorulan Sorular

Var. **PyTorch denominator layout** kullanır — yani gradient'in shape'i her zaman **parametrenin shape'i ile aynı**. `W.grad` ve `W` aynı shape'te. Bu konvansiyonu benimsersen, transpoz nereye gerek olduğunu kolay tahmin edersin: parametre shape'i koruyacak şekilde. Paper'larda denominator layout daha yaygın (Goodfellow Deep Learning Book), numerator layout matematik kitaplarında. PyTorch bilen biri için: 'parametre shape'i şekli bozma' altın kuralı.

Yorumlar & Soru-Cevap

(0)
Yorum yazmak için giriş yap.
Yorumlar yükleniyor...

İlgili İçerikler

Modül 0: Kurs Çerçevesi ve Atölye Kurulumu

LLM Engineer Kimdir? Junior'dan Staff'a Yapay Zekâ Mühendisliği Kariyer Haritası

Öğrenmeye Başla
Modül 0: Kurs Çerçevesi ve Atölye Kurulumu

Kurs Felsefesi: Neden Bu Yol, Neden Bu Sıra — 8 Aylık Müfredatın İskeleti

Öğrenmeye Başla
Modül 0: Kurs Çerçevesi ve Atölye Kurulumu

Atölye Kurulumu: uv, PyTorch 2.5+, CUDA, WSL2, Mac MPS, Triton, FlashAttention, Nsight

Öğrenmeye Başla