ML

Dinamik tensör hesaplama arka uçlarına sahip bir C++ makine öğrenimi kütüphanesi. Tensör motoru temiz bir arayüzün arkasında soyutlanmıştır, bu da makine öğrenimi algoritma kodunu değiştirmeden CPU, CUDA, OpenCL veya özel donanım arka uçları arasında geçiş yapmayı kolaylaştırır.

Özellikler

• Takılabilir arka uç mimarisi — CpuTensorEngine'i herhangi bir özel motorla değiştirin
• Tam BLAS Seviye 1–3 — dot, axpy, gemv, ger, gemm, syrk, trmm, trsm, ...
• 10 veri tipi — float, double, int8, uint8, int16, uint16, int32, uint32, int64, uint64
• Eigen benzeri tensör API'si — operatör işlemleri (+, -, *, /, +=, -=, karşılaştırmalar, artırma/azaltma)
• Şekil duyarlı (shape-aware) tensörler — reshape, transpose, row, col, block, hstack, vstack ile 1B/2B
• Eleman bazlı (element-wise) matematik — exp, log, sqrt, abs, neg
• Eksen indirgemeleri (Axis reductions) — satırlar veya sütunlar boyunca sum(axis), max(axis)
• Doğrusal cebir — inverse, determinant, eye
• Karşılaştırmalı testler (Benchmarks) — Tüm tipler ve BLAS seviyeleri için işlem başına zamanlama

Proje Yapısı

ml/
├── CMakeLists.txt
├── Makefile
└── src/
    ├── tensor/
    │   ├── engine.h                      # TensorEngine<T> — soyut arka uç arayüzü
    │   ├── cpu_engine.h                  # CpuTensorEngine<T> — başlık dosyası
    │   ├── cpu_engine.cpp                # CpuTensorEngine<T> — for-döngüsü uygulaması
    │   ├── tensor.h                      # Tensor<T> — operatör işlemleri + Eigen benzeri API
    │   └── tensor_benchmark.cpp          # Tam benchmark (tüm tipler, BLAS L1/L2/L3)
    ├── core/
    └── model.h                       # Model<T> — soyut fit/predict arayüzü

Her algoritma; kaynağı, karşılaştırmalı testi ve örneği aynı dizinde olacak şekilde kendi içinde bağımsızdır.

Derleme

Make

make all                          # Build all
make ALGO=linear_regression       # Build specific algorithm only
make ALGO="linear_regression logistic_regression"  # Build multiple
make linear_regression            # Shorthand for above
make linear_regression_example    # Build only example
make linear_regression_benchmark  # Build only benchmark
make clean

CMake

mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc)

Kullanım

Tensör İşlemleri

CpuTensorEngine<float> e;

Tensor<float> a(e, {1.0f, 2.0f, 3.0f, 4.0f});
Tensor<float> b(e, {5.0f, 6.0f, 7.0f, 8.0f});
Tensor<float> m(e, 2, 2);          // 2x2 matris

auto c = a + b;                     // [6, 8, 10, 12]
auto d = a * 3.0f;                  // [3, 6, 9, 12]
auto e = 10.0f - a;                 // [9, 8, 7, 6]
auto f = 12.0f / a;                 // [12, 6, 4, 3]

a += b;
a *= 2.0f;
a /= b;

auto g = -a;                        // negatifini alma
++a;                                // ön-artırma
a++;                                // son-artırma

bool all = a < b;                   // eleman bazlı <, TÜMÜ geçerse true döndürür
bool any = a[0] < 5.0f;             // skaler karşılaştırma

m(0,0) = 1; m(0,1) = 2;
m(1,0) = 3; m(1,1) = 4;

auto mt = m.transpose();            // transpoz
auto prod = m.matmul(m);            // matris çarpımı
auto inv = m.inv();                 // ters (inverse) matris
float d = m.det();                  // determinant

auto y = m.gemv(x);                 // y = m * x
auto c = m.gemm(b);                 // C = A * B
m.ger(x, y);                        // A += x * y^T

auto I = Tensor<float>::eye(e, 3);          // 3x3 birim matris
auto z = Tensor<float>::zeros(e, 4, 4);     // 4x4 sıfırlar
auto o = Tensor<float>::ones(e, 2, 3);      // 2x3 birler

auto s = a.sqrt();
auto ex = a.exp();

auto flat = a.reshape(2, 2);
auto col = m.col(0);
auto row = m.row(1);
auto blk = m.block(0, 0, 1, 2);

Yeni Bir Arka Uç Eklemek

1. src/tensor/cpu_engine.h ve cpu_engine.cpp dosyalarını kopyalayın
2. Arka ucunuza göre yeniden adlandırın (ör. cuda_engine.h, opencl_engine.h)
3. Tüm TensorEngine<T> metotlarını kendi arka ucunuzun temel yapılarıyla (primitives) uygulayın
4. Motorunuzu değiştirip kullanın — tüm makine öğrenimi algoritmaları değişmeden çalışır

// Sizin arka ucunuz
template <typename T>
class CudaTensorEngine : public TensorEngine<T> {
    T* malloc(size_t n) override { /* cudaMalloc */ }
    void gemm(...) override { /* cublasSgemm */ }
    // ... tüm metotları uygulayın
};

// Kullanım tamamen aynıdır
CudaTensorEngine<float> engine;
Tensor<float> a(engine, {1.0f, 2.0f});

Yeni Bir ML Algoritması Eklemek

src/ altında şu deseni izleyerek bir dizin oluşturun:

src/supervised/classification/
├── logistic_regression.h
├── logistic_regression.cpp
├── logistic_regression_benchmark.cpp
└── logistic_regression_example.cpp

Model<T> sınıfından kalıtım alın (inherit) ve fit() ile predict() metotlarını uygulayın.

API Referansı

TensorEngine<T> (src/tensor/engine.h)

BLAS Seviye 1: dot, axpy, nrm2, asum, iamax, copy, swap, rot

BLAS Seviye 2: gemv, ger, symv, trmv

BLAS Seviye 3: gemm, syrk, symm, trmm, trsm

Eleman bazlı: add, sub, elementwise_mul, elementwise_div, scale, add_scalar

Matematik: exp, log, abs, sqrt, neg

İndirgemeler: sum, max, min, argmax, argmin, sum_axis, max_axis

Doğrusal cebir: transpose, inverse, determinant, eye

Tensor<T> (src/tensor/tensor.h)

Operatörler: +, -, *, / (tensör×tensör, tensör×skaler, skaler×tensör) =, +=, -=, *=, /= (bileşik atama) -, +, ++, -- (tekil/unary) ==, !=, <, >, <=, >= (karşılaştırma)

BLAS sarmalayıcıları (wrappers): matmul, gemm, matvec, gemv, ger, syrk, symm, trmm, nrm2, asum, iamax, copy_to

Şekil (Shape): reshape, transpose, row, col, block, hstack, vstack

Matematik: exp, log, abs, sqrt, neg

Üretici (Factory): eye, zeros, ones, constant

Derleyici Gereksinimleri

• C++17 veya daha yenisi
• GCC 13 ile test edilmiştir