Mini Batch – (Mini Yığın)

Mini Batch (Mini Yığın), makine öğrenmesi ve derin öğrenmede eğitim veri kümesinin küçük gruplara ayrılarak modele sunulmasını ifade eden veri işleme yöntemidir. Eğitim sırasında tüm veri kümesini aynı anda kullanmak (Batch Learning) yüksek bellek gereksinimine neden olurken, verileri tek tek işlemek (Stochastic Learning) ise eğitim sürecinde yüksek dalgalanmalara yol açabilir. Mini Batch yaklaşımı, bu iki yöntemin avantajlarını birleştirerek hem hesaplama verimliliğini artırır hem de modelin daha kararlı öğrenmesini sağlar. Günümüzde derin öğrenme modellerinin büyük çoğunluğu mini batch yöntemi kullanılarak eğitilmektedir.

Mini Batch yönteminde eğitim veri kümesi, belirli büyüklükteki alt gruplara (batch size) ayrılır. Her mini batch modele sırayla sunulur ve her grubun işlenmesinin ardından modelin ağırlıkları (weights) ile bias değerleri geri yayılım (backpropagation) algoritması kullanılarak güncellenir. Tüm mini batch’lerin işlenmesiyle bir epoch tamamlanmış olur. Örneğin 12.800 örnekten oluşan bir veri kümesi, batch size değeri 128 olarak belirlendiğinde her epoch 100 iterasyondan (iterations) oluşur. Batch size değeri eğitim sürecini doğrudan etkileyen önemli bir hiperparametredir (hyperparameter). Küçük batch boyutları daha sık ağırlık güncellemesi sağlayarak genelleme başarısını artırabilirken, büyük batch boyutları grafik işlem birimlerinin (Graphics Processing Unit – GPU) daha verimli kullanılmasına olanak tanır ve eğitim süresini kısaltabilir.

Mini Batch yaklaşımı; evrişimsel sinir ağları (Convolutional Neural Networks – CNN), tekrarlayan sinir ağları (Recurrent Neural Networks – RNN), Transformer modelleri, büyük dil modelleri (Large Language Models – LLM) ve üretken yapay zekâ (Generative AI) sistemleri dâhil olmak üzere tüm modern derin öğrenme mimarilerinde standart eğitim yöntemi olarak kullanılmaktadır. Özellikle GPU ve Tensor Processing Unit (TPU) gibi paralel işlem donanımları, mini batch hesaplamalarını son derece verimli şekilde gerçekleştirebilmektedir. Bununla birlikte çok küçük batch boyutları eğitim sürecinde yüksek varyansa neden olabilirken, aşırı büyük batch boyutları modelin genelleme performansını düşürebilir ve daha fazla bellek gerektirebilir. Bu nedenle uygulamaya bağlı olarak 32, 64, 128 veya 256 gibi batch büyüklükleri yaygın olarak tercih edilmektedir. Sonuç olarak Mini Batch, eğitim süresi, hesaplama maliyeti ve model performansı arasında denge kurarak modern yapay sinir ağlarının etkin biçimde eğitilmesini sağlayan en önemli veri işleme stratejilerinden biri olarak kabul edilmektedir.