Gelişmiş Enerji Tüketimi Tahmini - Deep Learning Projesi

🔥 RTX 3060 GPU Optimizasyonu ile PyTorch tabanlı zaman serisi tahmini projesi

🚀 Özellikler

• 4 Gelişmiş Model: LSTM (özelleştirilmiş), GRU, CNN-LSTM Hibrit, Transformer
• RTX 3060 Optimizasyonu: GPU memory ve işlem gücü tam optimizasyonu
• Hyperparameter Tuning: Otomatik en iyi parametre arama
• İnteraktif Dashboard: Real-time eğitim takibi ve sonuç görselleştirme
• Data Augmentation: Eğitim verisi genişletme teknikleri
• Early Stopping: Overfitting önleme
• Advanced Loss: MSE + MAE hibrit loss fonksiyonu

📊 Model Performansları

Model	Accuracy	MSE	Parametreler	Özellik
LSTM (Enhanced)	~94%+	0.006	~1.2M	BiLSTM + Attention + Residual
GRU	~93%+	0.007	~800K	Hızlı, 1D-Conv features
CNN-LSTM	~92%+	0.007	~900K	Pattern extraction + Temporal
Transformer	~51%	0.086	~926K	Self-attention (baseline)

🛠️ Kurulum

Gereksinimler

# Python 3.8+
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install numpy pandas scikit-learn flask matplotlib

CUDA Kurulumu (RTX 3060)

# CUDA 11.8+ gerekli
# https://developer.nvidia.com/cuda-downloads

🏗️ Proje Yapısı

.
├── models.py                # Gelişmiş model mimarileri
├── train.py                 # GPU optimizasyonlu eğitim
├── tune_hyperparams.py      # Hyperparameter tuning
├── dashboard_server.py      # Web arayüzü
├── run_project.bat          # Kolay başlatma scriptleri
├── utils.py                 # Yardımcı fonksiyonlar
├── prepare_data.py          # Veri hazırlama
├── data/                    # Eğitim verileri (.npy)
├── checkpoints/             # Model ağırlıkları ve sonuçlar
├── tuning_results/          # Hyperparameter sonuçları
└── dashboard.html           # Dashboard arayüzü

🚀 Hızlı Başlangıç

1. Kolay Başlatma (Önerilen)

# Linux/Mac
chmod +x run_project.sh
./run_project.sh

# Windows
run_project.bat

2. Manuel Eğitim

En İyi LSTM (RTX 3060 Optimized)

python train_enhanced.py \
    --data data/series.npy \
    --model lstm \
    --hidden_dim 384 \
    --n_layers 3 \
    --batch 128 \
    --epochs 50 \
    --lr 5e-4 \
    --dropout 0.3 \
    --patience 12 \
    --augment

Hızlı GRU Test

python train_enhanced.py \
    --data data/series.npy \
    --model gru \
    --hidden_dim 256 \
    --n_layers 3 \
    --batch 160 \
    --epochs 25 \
    --lr 1e-3 \
    --dropout 0.2

CNN-LSTM Hibrit

python train_enhanced.py \
    --data data/series.npy \
    --model cnn_lstm \
    --hidden_dim 256 \
    --n_layers 2 \
    --batch 96 \
    --epochs 30 \
    --lr 3e-4 \
    --dropout 0.3 \
    --augment

3. Hyperparameter Tuning

python tune_hyperparams.py
# ⚠️ 2-4 saat sürer, 100+ deney çalıştırır

4. Dashboard

python dashboard_server_enhanced.py
# http://localhost:5000

🔬 Model Detayları

LSTM (Enhanced)

- BiLSTM (Bidirectional)
- Multi-head Attention (8 heads)
- Residual connections
- Multiple pooling strategies (last, max, mean)
- LayerNorm + Dropout
- Input feature extraction
- 384 hidden dim, 3 layers optimal

GRU (Optimized)

- Bidirectional GRU
- 1D Convolution feature extraction
- BatchNorm regularization
- Faster than LSTM (~25% speed boost)
- 256 hidden dim, 3-4 layers optimal

CNN-LSTM (Hybrid)

- 1D CNN pattern extraction (local features)
- BiLSTM temporal modeling (global)
- Dual-branch architecture
- Good balance: speed vs accuracy
- 256 hidden dim, 2-3 layers optimal

🎯 RTX 3060 Optimizasyonu

Memory Optimizasyonu

• Batch Sizes: 96-160 (model'e göre)
• Gradient Accumulation: Memory efficient training
• Mixed Precision: Planlı (şu an FP32)
• DataLoader: 4 workers, pin_memory=True

Hız Optimizasyonu

torch.backends.cudnn.benchmark = True  # Auto-tuning
torch.backends.cudnn.deterministic = False  # Speed over reproducibility

Önerilen Ayarlar

# LSTM: Batch 128, Hidden 384
# GRU:  Batch 160, Hidden 256  
# CNN:  Batch 96,  Hidden 256

📈 Hyperparameter Grids

LSTM Grid (54 deney)

hidden_dim: [256, 384, 512]
n_layers: [3, 4]
dropout: [0.2, 0.3, 0.4]
lr: [3e-4, 5e-4, 1e-3]
batch_size: [96, 128, 160]

GRU Grid (16 deney)

hidden_dim: [256, 384]
n_layers: [3, 4]
dropout: [0.2, 0.3]
lr: [5e-4, 1e-3]
batch_size: [128, 160]

📊 Sonuçları Analiz Etme

JSON Çıktıları

checkpoints/
├── lstm_best_results.json      # En iyi LSTM sonuçları
├── gru_best_results.json       # En iyi GRU sonuçları  
├── cnn_lstm_best_results.json  # En iyi CNN-LSTM sonuçları
└── results.json                # Son çalıştırılan model

tuning_results/
├── final_results.json          # Hyperparameter final
└── interim_results.json        # Ara sonuçlar

Metrikler

• Accuracy: ±12% eşikli doğruluk oranı
• MSE: Mean Squared Error (düşük = iyi)
• RMSE: Root MSE (yorumlanması kolay)
• MAE: Mean Absolute Error
• R²: Belirleyicilik katsayısı (yüksek = iyi)
• F1: Balanced accuracy metric

🔧 Gelişmiş Özellikler

Data Augmentation

--augment  # Gaussian noise ekleme (%10 ek veri)

Early Stopping

--patience 12  # 12 epoch boyunca gelişme yoksa dur

Learning Rate Scheduling

ReduceLROnPlateau  # Validation loss platosunda LR azalt

Gradient Clipping

max_norm=1.0  # Gradient explosion önleme

🚨 Troubleshooting

CUDA Memory Error

# Batch size'ı küçült
--batch 64

# Veya model boyutunu küçült
--hidden_dim 128

Convergence Problems

# Learning rate'i küçült
--lr 1e-4

# Dropout'u artır
--dropout 0.4

Overfitting

# Early stopping patience'ı küçült
--patience 8

# Dropout artır
--dropout 0.4

# Data augmentation aktif et
--augment

🎯 En İyi Sonuçlar İçin

1. RTX 3060 Driver: En son NVIDIA driver kurulu olsun
2. CUDA 11.8+: PyTorch ile uyumlu CUDA versiyonu
3. Hyperparameter Tuning: Sabırla en iyi parametreleri bul
4. Data Quality: Temiz, normalize edilmiş veri kullan
5. Monitoring: Dashboard ile eğitimi takip et

🤝 Katkı

1. Fork edin
2. Feature branch oluşturun (git checkout -b feature/yeni-ozellik)
3. Commit edin (git commit -m 'Yeni özellik eklendi')
4. Push edin (git push origin feature/yeni-ozellik)
5. Pull Request açın

📄 Lisans

Bu proje MIT lisansı altında lisanslanmıştır.

🔗 Referanslar

• PyTorch Lightning
• NVIDIA RTX 3060
• Time Series Forecasting

---

⚡ RTX 3060 ile optimize edilmiş, production-ready enerji tahmini sistemi!