Genel Bakış

BERK AI/ML kütüphanesi, modern yapay zeka ve makine öğrenmesi uygulamaları için kapsamlı araçlar sunar. PyTorch ve TensorFlow ile uyumlu API tasarımı, SIMD optimizasyonları ve paralel işleme desteği ile yüksek performans sağlar.

Performans Metrikleri

AI/ML Modülleri

Hızlı Başlangıç

modül kullan ai/tensor;
kullan ai/nn;
kullan ai/optim;

// Model oluştur
değişken model = Sequential::yeni([
    Linear::yeni(784, 128),
    ReLU::yeni(),
    Dropout::yeni(0.2),
    Linear::yeni(128, 10),
    Softmax::yeni()
]);

// Optimizer
değişken optimizer = Adam::yeni(model.parametreler(), lr: 0.001);

// Eğitim döngüsü
her epoch içinde aralık(10) için yap
    değişken çıktı = model.ileri(X_train);
    değişken kayıp = cross_entropy(çıktı, y_train);
    
    optimizer.sıfırla();
    kayıp.geri();
    optimizer.adım();
    
    yazdir("Epoch {}: Kayıp = {:.4f}", epoch, kayıp);
son

kullan ai/llm;
kullan async;

async fonksiyon sohbet() yap
    // OpenAI istemcisi
    değişken client = OpenAI::yeni("api-key");
    
    // Chat tamamlama
    değişken yanit = await client.chat([
        { role: "user", content: "Merhaba!" }
    ]);
    
    yazdir(yanit.content);
son

kullan ai/model;

// Model kaydet (LZ4 compressed - 28.8x faster)
model.kaydet("model.berk");  // 880ms → 30ms

// Model yükle (10x faster)
değişken loaded_model = Model::yukle("model.berk");  // 99ms vs 1000ms

// Dosya boyutu: 131 MB → 0.15 MB (882x smaller)

Teknik Detaylar

SIMD Optimizasyonu

AVX2 komut seti ile 256-bit vektör işlemleri:

• 8 float paralel toplama/çıkarma/çarpma/bölme
• Runtime CPU özellik tespiti
• Otomatik scalar fallback AVX2 yoksa
• 70 GB/s throughput büyük tensörler için

Bloklu Matris Çarpımı

L1 cache-optimized tiling:

• 32×32 bloklar (4KB, L1 cache: 32KB)
• Cache miss oranını minimize eder
• 256×256 matrisler için 2.5x hızlanma
• 512×512 matrisler için 1.8x hızlanma

LZ4 Model Sıkıştırma

Hızlı lossless compression:

• Level 1 (fast) compression
• Binary format: BERK magic + version + data
• 28.8x daha hızlı kaydetme
• 882x daha küçük dosyalar
• 100% doğruluk, data integrity korunur

Paralel Batch İşleme

Rayon ile çoklu iş parçacığı:

• Batch processing 4.96x daha hızlı
• 18,546 batch/sn (vs 4,410 sequential)
• Work stealing ile load balancing
• Otomatik thread pool yönetimi

Platform Desteği

Sonraki Adımlar

• tensor - Tensör işlemlerini öğrenin
• nn - Sinir ağı katmanlarını keşfedin
• train - Model eğitimi yapın
• model - Model kaydetme/yükleme
• llm - LLM API'lerini kullanın
• metrics - Değerlendirme metrikleri
• vision - Bilgisayarlı görü
• nlp - Doğal dil işleme
• rl - Pekiştirmeli öğrenme