---
title: "Tohumdan Ağaca: Rastgelelik Tohumlarının Senfonisi"
description: "Merhaba ben Burak. Algoritmanın sesini dinleyenler için bu notlar yine bilgisayar ekranımın soğuk ışığında yazılıyor."
date: 2026-11-16T07:40:24Z
updated: 2026-11-16T07:40:24Z
author: "Burak Altan"
site: "Algoritmanın Fısıltıları"
language: "tr"
tags: ["derinöğrenme-rastgelelik-gürültü-mode"]
url: "https://silikon-gezgin.nasilalinir.com/tohumdan-agaca-rastgelelik-tohumlarinin-senfonisi"
---

# Tohumdan Ağaca: Rastgelelik Tohumlarının Senfonisi

Merhaba ben Burak. Algoritmanın sesini dinleyenler için bu notlar yine bilgisayar ekranımın soğuk ışığında yazılıyor.

Son birkaç haftadır üzerinde çalıştığım bir derin öğrenme modeli vardı. Bir görüntü sınıflandırma göreviydi; karmaşık doku desenlerini tanımak zorundaydı. Her şey, büyük bir veri seti ve bir dizi hiperparametre ile başlıyor. Teorik olarak kusursuz bir süreç gibi görünüyor: girdiyi ver, ağı besle, ağırlıkları güncelle, yakınsamanı izle. Ancak bu süreçteki her şeyin başladığı o kritik an var: **başlatma vektörleri**.

Bu vektörlerin doluluk hali, yani ağırlıkların başlangıç değerleri, tamamen rastgele seçilir. Ve bu, bir sistemin kaderini belirliyor. Sanki bir orkestranın her enstrümanının aynı anda, aynı noktadan başlaması gibi düşünebilirsiniz; en ufak bir fark bile, ortaya çıkacak olan müziğin tonunu, ritmini ve hatta duygusunu tamamen farklı kılar.

Bu tamamen rastgele bir başlangıç, ancak bu rastgelelik, bir sonraki aşamada yani geri yayılım (backpropagation) sırasında, bilgisayarın kendi mantıksal sınırları içinde organize olmaya başlıyor. Bu, klasik kaos teorisinin küçük bir ölçekteki, matematiksel olarak kodlanmış yansıması benim için her zaman büyüleyici olmuştur.

## Tohumdan Dinamik Sisteme Geçiş

Birçok kişi, rastgeleliğin sadece "gürültü" olduğunu düşünebilir. Bir veri kümesine gürültü eklemek, modelin performansını düşürür. Ancak derin öğrenmede, bu başlangıç rastgeleliği, modelin **çok boyutlu ağırlık uzayında** kendi potansiyelini keşfetmesini sağlayan bir nevi izin belgesidir. Eğer tüm ağlar aynı başlangıç değerleriyle başlatılsaydı, en iyi ihtimalle paralel ilerlerlerdi; ancak belki de o "zirveye" ulaşmak için farklı, ancak eşdeğer farklı yörüngelerden gelmek zorunda olan onlarca farklı potansiyel çözüm noktası olsa idi. Aynı başlangıç noktasıyla, sadece ilk rastladığımız yörüngeyi yakalamış olurduk.

Bu yüzden, iyi bir rastgele tohum seçimi, bizim için sadece bir başlangıç noktası değil, aynı zamanda bir **keşif stratejisidir**.

Bakın, bu soyut kavramı somutlaştırmak istiyorum. Düşünün ki, bir dağ yamacında kaybolmuş yüzlerce ayrı potansiyel en iyi nokta var. Hepimiz aynı noktadan başlamak yerine, her biri farklı bir yatay konumda olsa bile, sonunda aynı vadiye ulaşabiliriz. Başlangıçtaki küçük, neredeyse önemsiz farklılıklar (rastgele tohum), bizi o ortak varış noktasına taşıyan, birbirine bağımlı komşu yollardır.

Bu, sadece bir optimizasyon algoritması değil; aynı zamanda bir **emergent property** (ortaya çıkan özellik) örneğidir. Tekil bir rastgele sayı, milyonlarca ağırlık güncellemesine sürüklendiğinde, artık rastgele olmaktan çıkmış, öğrenilmiş, anlam kazanmış bir yapıya dönüşmüştür.

Kodun her satırı, bu sonsuz olasılık denizinde bilinçli bir hareketin kaydı. Ve bazen, en büyük mimari atılımımız, kasıtlı olarak bıraktığımız o küçük, kontrol edilemez kaotik başlangıçla başlıyor.

Bir sonraki düşüşte, muhtemelen bu örüntünün sinir ağlarındaki fiziksel bir karşılığını inceleyeceğim. Takipte kalın.
