İleri Geçiş (Forward Pass)

İleri Geçiş nedir?

İleri geçiş (forward pass), bir sinir ağının aldığı girdiyi katman katman işleyerek bir çıktı ürettiği süreçtir. Veri, giriş katmanından başlar, gizli katmanlardan geçer ve çıkış katmanında bir tahmine dönüşür. Kısacası modelin "düşünüp cevap verdiği" yön budur.

Nasıl çalışır?

Her katmanda girdi, ağırlıklarla çarpılır, üstüne bir bias eklenir ve sonuç bir aktivasyon fonksiyonundan geçirilir. Bu işlem katmanlar boyunca ileri doğru tekrarlanır; bir katmanın çıktısı bir sonrakinin girdisi olur. Matematiksel olarak her katman basit bir doğrusal işlem ve ardından doğrusal olmayan bir dönüşümden ibarettir; ama bu basit adımlar üst üste binince model çok karmaşık örüntüleri yakalayabilir hale gelir. Son katmana ulaşıldığında model tahminini üretir. Bir dil modelinde bu, bir sonraki token için olasılık dağılımı; bir görüntü sınıflandırıcıda ise sınıf skorları demektir. İleri geçiş yalnızca mevcut ağırlıkları kullanır, onları değiştirmez.

Neden önemli?

Eğitim sırasında önce ileri geçiş yapılır, tahmin ile gerçek arasındaki hata (loss) hesaplanır, ardından backpropagation ile bu hata geriye yayılıp ağırlıklar güncellenir. Yani ileri geçiş, öğrenmenin ilk yarısıdır. Modeli gerçek hayatta kullandığında (inference) ise sadece ileri geçiş çalışır — bu yüzden bir modelin ne kadar hızlı cevap verdiği, büyük ölçüde ileri geçişin maliyetine bağlıdır.

Kullanım alanları

Her sinir ağı tahmininde ileri geçiş vardır: bir sohbet asistanı, fotoğraf etiketleme, ses tanıma, öneri sistemleri. Bir API''ye prompt gönderdiğinde sunucuda çalışan şey esasen bir ileri geçiştir. Modern büyük modellerde tek bir ileri geçiş bile milyarlarca çarpma işlemi içerebilir; bu yüzden GPU''lar bu işi paralelleştirmek için kullanılır. Gecikmeyi (latency) ve maliyeti optimize etmek isteyen ekipler ileri geçişi hızlandırmaya (quantization, KV cache, batching) odaklanır.