Update save_and_restore_models.ipynb

Author: eisbilen

site/tr/tutorials/keras/save_and_restore_models.ipynb

@@ -105,18 +105,18 @@
         "id": "mBdde4YJeJKF"
       },
       "source": [
-        "Modelin ilerleyişi, eğitim sırasında veya sonrasında kaydedilebilir. Bunun anlamı, modelin kaldığı yerden ilerlemeye devam edebilir olması ve ayrıca uzun eğitim sürelerinin önüne geçilebilir olmasıdır. Modellerin kaydedilmesi, aynı zamanda modellerin paylaşılabilmesi ve diğerlerinin yaptığımız çalışmaları tekrardan oluşturabilmeleri anlamına gelmektedir. Çoğu uygulayıcı araştırma modellerini ve tekniklerini yayınladıklarında, aşağıdaki bilgileri paylaşmış olurlar: \n",
+        "Eğitim sırasında veya sonrasında modelin ilerleyişi kaydedilebilir. Bunun anlamı, modelin kaldığı yerden ilerlemeye devam edebilir olması, ayrıca uzun eğitim sürelerinin önüne geçilebilir olmasıdır. Modellerin kaydedilmesi, aynı zamanda modellerin paylaşılabilmesi ve diğerlerinin yaptığımız çalışmaları tekrardan oluşturabilmeleri anlamına gelmektedir. Çoğu uygulayıcı araştırma modellerini ve tekniklerini yayınladıklarında, aşağıdaki bilgileri paylaşırlar: \n",
         "\n",
         "* modeli oluşturan kodu, ve\n",
         "* modele ait eğitilmiş ağırlık değerlerini, veya parametrelerini\n",
         "\n",
-        "Sharing this data helps others understand how the model works and try it themselves with new data.\n",
+        "Bu verilerin paylaşılması, diğerlerinin modelimizin nasıl çalıştığını anlamasına ve yeni veriler ile modeli denemelerine yardımcı olur. \n",
         "\n",
-        "Caution: Be careful with untrusted code—TensorFlow models are code. See [Using TensorFlow Securely](https://github.com/tensorflow/tensorflow/blob/master/SECURITY.md) for details.\n",
+        "Dikkat: Güvenilmeyen kodlar ile ilgili dikkatli olunuz-Tensorflow modelleri kodlardan oluşmaktadır. Detaylar için [TensorFlow'un Güvenli Kullanımı](https://github.com/tensorflow/tensorflow/blob/master/SECURITY.md) linkine göz atınız.\n",
         "\n",
-        "### Options\n",
+        "### Seçenekler\n",
         "\n",
-        "There are different ways to save TensorFlow models—depending on the API you're using. This guide uses [tf.keras](https://www.tensorflow.org/guide/keras), a high-level API to build and train models in TensorFlow. For other approaches, see the TensorFlow  [Save and Restore](https://www.tensorflow.org/guide/saved_model) guide or [Saving in eager](https://www.tensorflow.org/guide/eager#object-based_saving).\n"
+        "Kullandığınız API'ye bağlı olarak, Tensorflow modellerini kaydetmenin farklı yolları vardır. Bu eğitim dökümanı, Tensorflowda yapay zeka modellerinin oluşturulması ve eğitilmesinde kullanılan [tf.keras](https://www.tensorflow.org/guide/keras) 'ı kullanmaktadır. Farklı yöntemler için TensorFlow [Kaydet ve Geri Yükle](https://www.tensorflow.org/guide/saved_model) eğitim dökümanına veya [eager'da kaydedelim](https://www.tensorflow.org/guide/eager#object-based_saving) göz atailirsiniz.\n"
       ]
     },
     {
@@ -128,7 +128,7 @@
       "source": [
         "## Setup\n",
         "\n",
-        "### Installs and imports"
+        "### Kuralım ve İçeri Alalım"
       ]
     },
     {
@@ -138,7 +138,7 @@
         "id": "7l0MiTOrXtNv"
       },
       "source": [
-        "Install and import TensorFlow and dependencies:"
+        "Tensorflow ve bağlı kütüphanelerini kuralım ve içeri alalım:"
       ]
     },
     {
@@ -161,9 +161,9 @@
         "id": "SbGsznErXWt6"
       },
       "source": [
-        "### Get an example dataset\n",
+        "### Örnek veri setini alalım\n",
         "\n",
-        "We'll use the [MNIST dataset](http://yann.lecun.com/exdb/mnist/) to train our model to demonstrate saving weights. To speed up these demonstration runs, only use the first 1000 examples:"
+        "Ağırlıkların nasıl kaydedildiğini gösterebilmek için, modelimizi [MNIST dataset](http://yann.lecun.com/exdb/mnist/) verisi ile eğiteceğiz. Gözterimi hızlandırmak için, sadece ilk 1000 örneği kullanacağız:"
       ]
     },
     {
@@ -212,7 +212,7 @@
         "id": "anG3iVoXyZGI"
       },
       "source": [
-        "### Define a model"
+        "### Modeli tanımlayalım"
       ]
     },
     {
@@ -222,7 +222,7 @@
         "id": "wynsOBfby0Pa"
       },
       "source": [
-        "Let's build a simple model we'll use to demonstrate saving and loading weights."
+        "Ağırlıkların nasıl kaydedileceğini ve yükleneceğini gösterebilmek için basit bir model oluşturalım."
       ]
     },
     {
@@ -262,7 +262,7 @@
         "id": "soDE0W_KH8rG"
       },
       "source": [
-        "## Save checkpoints during training"
+        "## Eğitim sırasında kontrol noktalarını (checkpoints) kaydedelim"
       ]
     },
     {
@@ -272,13 +272,13 @@
         "id": "mRyd5qQQIXZm"
       },
       "source": [
-        "The primary use case is to automatically save checkpoints *during* and at *the end* of training. This way you can use a trained model without having to retrain it, or pick-up training where you left of—in case the training process was interrupted.\n",
+        "Ana kullanım şekli, eğitim sırasında ve sonunda kontrol noktalarının otomatik olarak kaydedilmesidir. Bu şekilde eğitilmiş modeli tekrar eğitmeye gerek kalmadan kullanabiliriz veya eğitim süreci yarıda kalmışsa kaldığı yerden eğitime devam edebiliriz. \n",
         "\n",
-        "`tf.keras.callbacks.ModelCheckpoint` is a callback that performs this task. The callback takes a couple of arguments to configure checkpointing.\n",
+        "`tf.keras.callbacks.ModelCheckpoint` bu işlemi yapan callback fonksiyonudur. Bu fonksiyon, kontrol noktalarını yapılandırmak için birkaç parametre değeri alır. \n",
         "\n",
-        "### Checkpoint callback usage\n",
+        "### Kontrol noktası callbak fonksiyonu kullanımı\n",
         "\n",
-        "Train the model and pass it the `ModelCheckpoint` callback:"
+        "Modeli eğitelim ve `ModelCheckpoint` callback fonksiyonunu modele aktaralım:"
       ]
     },
     {
@@ -317,7 +317,7 @@
         "id": "rlM-sgyJO084"
       },
       "source": [
-        "This creates a single collection of TensorFlow checkpoint files that are updated at the end of each epoch:"
+        "Bu kod, her bir ephoc sonunda güncellenen, bir grup TensorFlow kontrol noktası dosyaları oluşturur:"
       ]
     },
     {
@@ -340,9 +340,9 @@
         "id": "wlRN_f56Pqa9"
       },
       "source": [
-        "Create a new, untrained model. When restoring a model from only weights, you must have a model with the same architecture as the original model. Since it's the same model architecture, we can share weights despite that it's a different *instance* of the model.\n",
+        "Eğitilmemiş yeni bir model oluşturalım. Sadece ağırlık değerleri ile bir modeli geri yüklemek istediğimizde, elimizde orjinal model ile aynı yapıyı sahip bir modelimiz olmalıdır. Aynı model yapısına sahip olduğumuz için, farklı zamanlarda oluşmuş model örnekleri arasında ağırlık değerlerini paylaşabiliriz. \n",
         "\n",
-        "Now rebuild a fresh, untrained model, and evaluate it on the test set. An untrained model will perform at chance levels (~10% accuracy):"
+        "Şimdi yeni bir eğitilmemiş model oluşturalı ve bu modeli test veri seti ile değerlendirelim. Eğitilmemiş bir model, şans yüzdesi kadar (~10% doğruluk) doğruluğa sahip olacaktır:"
       ]
     },
     {
@@ -368,7 +368,7 @@
         "id": "1DTKpZssRSo3"
       },
       "source": [
-        "Then load the weights from the checkpoint, and re-evaluate:"
+        "Sonrasında ağırlık değerlerini kaydettiğimiz kontrol noktasından model geri yükleyelim ve modeli tekrardan değerlendirelim: "
       ]
     },
     {
@@ -393,11 +393,11 @@
         "id": "bpAbKkAyVPV8"
       },
       "source": [
-        "### Checkpoint callback options\n",
+        "### Kontrol noktası callback opsiyonları:\n",
         "\n",
-        "The callback provides several options to give the resulting checkpoints unique names, and adjust the checkpointing frequency.\n",
+        "Callback fonksiyonu, kontrol noktalarının isimlendirilmesi ve frekanslarının ayarlanması için çeşitli seçenekler sunar. \n",
         "\n",
-        "Train a new model, and save uniquely named checkpoints once every 5-epochs:\n"
+        "Yeni bir modeli, eğitelim ve her 5 epoch'ta bir farklı isimler ile kontrol noktalarını isimlendirelim:\n"
       ]
     },
     {
@@ -434,7 +434,7 @@
         "id": "1zFrKTjjavWI"
       },
       "source": [
-        "Now, look at the resulting checkpoints and choose the latest one:"
+        "Şimdi, oluşan kontrol noktalarına bakalım ve en güncel olanını seçelim:"
       ]
     },
     {
@@ -471,9 +471,9 @@
         "id": "Zk2ciGbKg561"
       },
       "source": [
-        "Note: the default tensorflow format only saves the 5 most recent checkpoints.\n",
+        "Not: Tensorflow varsayılan formatı, sadece en güncel 5 kontrol noktasını kaydeder.\n",
         "\n",
-        "To test, reset the model and load the latest checkpoint:"
+        "Test için, modeli resetleyelim ve en güncel kontrol noktasını yükleyelim:"
       ]
     },
     {
@@ -499,7 +499,7 @@
         "id": "c2OxsJOTHxia"
       },
       "source": [
-        "## What are these files?"
+        "## Bu dosyalar nedir?"
       ]
     },
     {
@@ -509,11 +509,11 @@
         "id": "JtdYhvWnH2ib"
       },
       "source": [
-        "The above code stores the weights to a collection of [checkpoint](https://www.tensorflow.org/guide/saved_model#save_and_restore_variables)-formatted files that contain only the trained weights in a binary format. Checkpoints contain:\n",
-        "* One or more shards that contain your model's weights. \n",
-        "* An index file that indicates which weights are stored in a which shard.  \n",
+        "Yukardaki kod, ağırlık değerlerini bir grup [checkpoint](https://www.tensorflow.org/guide/saved_model#save_and_restore_variables)- dosyaya binary formatta kaydeder. Kontrol noktası aşağıdakiler kapsar: \n",
+        "* Modele ait ağırlık değerlerini içeren, bir veya daha fazla dosya parçası (shards). \n",
+        "* Hangi ağırlık değerinin hangi dosya parçasında olduğunu gösteren bir index dosyası. \n",
         "\n",
-        "If you are only training a model on a single machine, you'll have one shard with the suffix: `.data-00000-of-00001`"
+        "Eğer modelinizi tek bir bilgisayarda eğitiyorsanız, son takısı `.data-00000-of-00001` olan tek bir dosya parçası oluşacaktır."
       ]
     },
     {