newton-vision 1.1.3

High-Performance Computer Vision & Deep Learning Framework in C++ & CUDA with PyTorch Parity

🌌 newton-vision

PyTorch ekosistemiyle birlikte çalışabilen, deneysel araştırmalar ve eğitim amacıyla geliştirilen, C++17 ve CUDA çekirdekli hafif bir derin öğrenme framework'üdür.

---

❓ 5 Temel Soruda newton-vision

1. Bu Proje Nedir?

newton-vision, yönlü türev grafı (Autograd), evrişimsel sinir ağları (CNN), Vision Transformer (ViT) ve INT8 Kuantizasyon motorunu sıfırdan C++17, CUDA ve Python ile gerçekleyen şeffaf bir derin öğrenme framework'üdür.

2. Neden Var?

Derin öğrenme algoritmalarının arkasındaki matematiksel ve donanımsal mantığı (L1/L2 Cache Locality, SIMD AVX2, Topolojik Autograd Sıralaması) şeffaf bir şekilde göstermek, deneyler yapmak ve C++ ortamında bağımsız hızlı çıkarım (inference) çalıştırmak için geliştirilmiştir.

3. Kim Kullanmalı?

• Derin öğrenme motorlarının mutfağını ve C++ donanım ivmelendirmesini öğrenmek isteyen araştırmacılar ve öğrenciler.
• PyTorch'ta eğittiği modelleri Python bağımlılığı olmadan C++ ortamında veya INT8 kuantize olarak çalıştırmak isteyen mühendisler.

4. Kim Kullanmamalı?

• Petabaytlarca veri üzerinde binlerce GPU ile devasa LLM (Large Language Model) veya üretim dağıtık eğitimi yapmayı hedefleyen büyük endüstriyel dağıtık sistem ekipleri (PyTorch / JAX kullanmaya devam etmelidirler).

5. PyTorch İle İlişkisi Ne?

newton-vision, PyTorch'un bir rakibi veya "katili" değildir. PyTorch .pth state_dict ağırlıklarını birebir yükleyebilen, PyTorch ekosistemiyle uyumlu çalışan bir kardeş altyapıdır.

---

🔬 Araştırma & Deney Notları (research/)

• 0001-im2col-vs-direct-conv.md: im2col + GEMM L1/L2 Önbellek Verimliliği ve 10x Hızlanma Analizi.
• 0003-int8-quantization.md: Per-Channel INT8 Kuantizasyon ve Outlier İzolasyon Matematiği.

---

📊 Şeffaf & Bilimsel Benchmark Sonuçları

Intel64 Family 6 (12 Threads) üzerinde PyTorch v2.6.0 CPU ile dürüst ve istatistiksel karşılaştırma:

Model	Framework	Mean (ms)	Std (ms)	Min (ms)	Max (ms)	FPS	Karşılaştırma
ViT-Tiny (Transformer)	newton-vision	210.62	±18.33	174.47	240.62	4.7	2.28x Hızlı 🚀
	PyTorch CPU	472.23	±29.48	458.22	585.02	2.1	Base
ResNet-18	newton-vision	119.95	±12.37	98.28	146.52	8.3	4.63x Yavaş
	PyTorch CPU	25.90	±0.77	24.97	27.74	38.6	Base
MobileNetV2	newton-vision	4842.70	±819.54	3619.07	7078.85	0.2	81.01x Yavaş
	PyTorch CPU	59.78	±2.94	54.99	66.91	16.7	Base

---

🚀 Hızlı Başlangıç (Quick Start)

pip install newton-vision

import newton_vision as nv
import numpy as np

# 1. Tensör Tanımlama
x = nv.Tensor(np.random.randn(1, 3, 224, 224), requires_grad=True)

# 2. Vision Transformer Modeli
model = nv.models.vit_tiny(num_classes=1000)

# 3. İleri Geçiş (Forward Pass)
logits = model(x)
print("Logits Shape:", logits.data.shape) # (1, 1000)

---

📂 Örnekler & Öğreticiler (Examples vs Tutorials)

⚡ Örnek Projeler (examples/):

• 01_image_classification_lenet.py: MNIST Görsel Sınıflandırma
• 02_resnet18_pytorch_weights.py: PyTorch Ağırlık Aktarımı
• 03_vit_transformer_inference.py: Vision Transformer (ViT) Çıkarımı
• 04_int8_quantization_demo.py: INT8 Kuantizasyon Demosu
• 05_onnx_export_guide.py: ONNX Export Rehberi

🎓 Derin Öğreticiler (tutorials/):

• 01_train_mnist.py: Tekrarlanabilir MNIST Eğitimi & INT8 Accuracy Drop Deneyi
• live_3stage_demo.py: 3 Aşamalı Canlı Karşılaştırma, Hibrit Kullanım & Saf Eğitim

---

📜 Yönetişim & Dokümantasyon

• CONTRIBUTING.md: Katkı Sağlama Rehberi ve PR İlkeleri
• SECURITY.md: Güvenlik Politikası ve Bildirim Yöntemleri
• CHANGELOG.md: Semantik Sürüm Geçmişi ve Değişiklik Notları
• WIKI.md: GitHub Wiki & Genel Mimari Kılavuzu

---

📜 Lisans

Bu proje MIT Lisansı ile lisanslanmıştır.