Yapay sinir ağlarının çizge veritabanları üzerinde gerçekleştirimi

Yapay sinir ağlarının gelişimi ve yaygınlaşan kullanımı nedeniyle kullanıcıların daha kolay yönetilebilir süreçlere ihtiyacı ortaya çıkmıştır. Bu ihtiyaçlar eğitilmiş modellerin paylaşılması, aktarılması ve tekrar kullanılması olarak özetlenebilir. Ayrıca modellerin görsel olarak düzenlenebilmesi ve izlenebilmesi gereksinimi de ortaya çıkmıştır. Çalışmada bu gereksinimlerin karşılanabilmesi için bir yazılım sistemi oluşturulmuştur. Önerilen sistemin temelinde çizge veritabanlarının kullanılması tercih edilmiştir. Yapay sinir ağları teknik olarak çizgeler ile ifade edilebilmektedir. Yapay sinir ağ mimarilerinin bu tarz bir veritabanına aktarılması ve işletilmesi daha kolay olmaktadır. Çalışmada yapay sinir ağ modelleri üzerinde birden çok araştırmacının iş birlikçi çalışabileceği bir yazılım geliştirilmiştir. Modellerin saklanması ile eğitim ve test aşamalarının görselleştirilmesi sağlanmıştır. Önerilen sistemde modellere versiyonlanma yeteneği kazandırılmıştır. Yaygın kullanılan YSA kütüphanelerinin ortak olarak kullandığı model saklama biçimi olan H5 dosyalarının çizge veri tabanına aktarılması için yöntem oluşturulmuştur. Modeldeki girdiler ve çıktılar dahil tüm veriler çizgede tutulabilmektedir. Bu sayede model ile verinin aynı ortamda tutulması sağlanmıştır. Yapay sinir ağlarının hesaplama ihtiyaçları çoğunlukla çizge veri tabanının sorgulama dili kullanılarak gerçekleştirilmiştir. Bu sayede veritabanı dışında bağımlılıkların azaltılması hedeflenmiştir. Sorgu dilinin yetersiz olduğu noktalarda ise arka yüz sunucularında bu işlemler tamamlanmıştır.

Due to the development and widespread use of artificial neural networks, users need more manageable processes. These needs can be summarized as sharing, transferring and reusing trained models. In addition, the need to be able to visually organize and monitor models has emerged. In the study, a software system was created to meet these requirements. It was preferred to use graph databases on the basis of the proposed system. Artificial neural networks can be technically expressed with graphs. It is easier to transfer and operate artificial neural network architectures to such a database. In the study, a software has been developed for more than one researcher to work collaboratively on artificial neural network models. By storing the models, training and testing phases were visualized. In the proposed system, the models are equipped with the ability to be versioned. A method was developed to transfer H5 files, which is the model storage format commonly used by the widely used ANN libraries, to the graph database. All data, including inputs and outputs in the model, can be kept on the graph. In this way, it is ensured that the model and data are kept in the same environment. The computational needs of artificial neural networks are mostly realized by using the query language of the graph database. In this way, it is aimed to reduce dependencies outside the database. In cases where the query language is insufficient, these operations have been completed on the backend servers.