---
title: "Decoder (Transformer) (TR)"
source: "https://systems-analysis.info/int/Decoder_(Transformer)_(TR)"
wiki: "systems-analysis.info/int"
article: "Decoder_(Transformer)_(TR)"
language: "tr"
categories:
  - "Category:Core LLM concepts"
  - "Category:Large language models"
  - "Category:LLM core concepts"
  - "Category:Machine learning"
  - "Category:Turkish"
revision_id: 1577
wiki_created_at: 2026-09-06T22:50:49Z
wiki_modified_at: 2026-09-06T22:50:49Z
downloaded_at: 2026-09-07T22:46:40Z
---

# Decoder (Transformer) (TR)

**Dekoder** (İng. Decoder) — machine learning ve derin öğrenmede, temel görevi kodlanmış bir temsili (örneğin, bir encoder'dan elde edilen bağlam vektörü veya gizli durum dizisi) çıktı veri dizisine (örneğin, metin veya görüntü) dönüştürmek olan bir sinir ağı bileşenidir. Dekoder, çıktı verilerini adım adım, genellikle otomatik bağ归şıklı (autoregressive) modda üretir.

Daha geniş anlamda, bilgi teorisinde dekoder; kodlanmış verileri özgün veya anlaşılır biçimine geri dönüştüren her türlü cihaz veya algoritmadır.

## Kavram ve Amaç

Encoder girdi verilerini **anlama** ve sıkıştırmadan sorumluysa, dekoder **üretme** ve çıktı verilerini açmadan sorumludur. Dekoder, yoğun ve bilgi açısından zengin bir temsili alarak onu istenen biçime — ister başka bir dildeki cümle, ister bir görüntünün metin açıklaması, ister bir müzik notası dizisi olsun — adım adım dönüştürür.

Çoğu dekoderın temel özelliği **otomatik bağımlı (autoregressive)** yapısıdır: Dizinin bir sonraki öğesini (örneğin bir kelime veya piksel) üretmek için hem kodlanmış temsili hem de daha önce üretilmiş tüm öğeleri kullanırlar.

## Farklı Mimarilerde Dekoder

### Otomatik Kodlayıcıda (Autoencoder) Dekoder

**Autoencoder** mimarisinde dekoder, encoder'ın tersini gerçekleştirir:

1.  **Encoder** girdi verilerini gizli bir temsile sıkıştırır.
2.  **Dekoder** bu gizli temsili alır ve orijinal veriyi geri oluşturmaya (yeniden inşa etmeye) çalışır.

Bu tür bir ağı eğitmek, dekoderin ayrı olarak kullanılmasına olanak tanır: Gizil uzaydan (latent space) vektörler girilerek yeni veriler üretilebilir.

### Tekrarlayan Sinir Ağlarında (RNN/LSTM) Dekoder

RNN veya LSTM tabanlı klasik dizi-to-dizi (seq2seq) modellerinde dekoder, çıktı dizisini token token üreten tekrarlayan bir ağdır.

- **Çalışma prensibi:** Dekoder, encoder'ın son gizli durumu (bağlam vektörü) ile başlatılır. Her adımda, daha önce üretilmiş token'ı ve kendi önceki gizli durumunu girdi olarak alır; ardından bir sonraki token'ı üretir ve durumunu günceller. Bu işlem, özel dizi sonu token'ı (\`\<EOS\>\`) üretilene kadar devam eder.

### Transformer Mimarisinde Dekoder

**Transformer** mimarisine dayalı dekoder de otomatik bağımlı biçimde çalışır; ancak iç yapısı farklıdır. Dekoder, her biri üç temel alt katmandan oluşan özdeş katmanlardan oluşan bir yığından ($N$) meydana gelir:

1.  **Maskeli Çok Başlıklı Öz-Dikkat (Masked Multi-Head Self-Attention):** Bu mekanizma encoder'dakiyle aynı şekilde çalışır; ancak önemli bir farkla — **maskeleme**. Maske, her konumun dizideki sonraki konumlara "dikkat etmesini" engeller. Bu sayede $i$ konumundaki tahmin yalnızca $< i$ konumlarındaki önceden bilinen çıktılara bağlı kalır ve autoregressive özellik korunur.
2.  **Çok Başlıklı Çapraz Dikkat (Multi-Head Cross-Attention):** Bu, dekoderi encoder'a bağlayan temel mekanizmadır. Burada sorgular (Query) dekoderın önceki katmanından gelirken, anahtarlar (Key) ve değerler (Value) encoder'ın çıktı temsillerinden gelir. Bu, dekoderın üretimin her adımında girdi dizisinin en ilgili bölümlerine odaklanmasına olanak tanır.
3.  **Tam Bağlantılı Sinir Ağı (Feed-Forward Network):** Encoder'da kullanılanla benzerdir.

## Dekoder Tabanlı Model Türleri

### Encoder-Dekoder Modeller

Bu, encoder ve dekoderin birlikte çalıştığı klasik mimaridir.

- **Çalışma prensibi:** Encoder girdi verisinin temsilini oluştururken, dekoder bu temsili kullanarak çıktı verisini üretir.
- **Örnekler:** Orijinal Transformer, T5, BART.

### Yalnızca Dekoder (Decoder-Only) Modeller

Üretken yapay zekada hâkim hale gelen bu modeller, yalnızca Transformer dekoder yığınını kullanır.

- **Çalışma prensibi:** Bu tür modellerde encoder olmadığından çapraz dikkat mekanizması da yoktur. Model tamamen autoregressive modda çalışır; aynı dizideki tüm önceki token'lara dayanarak bir sonraki token'ı tahmin eder. Girdi prompt'u ve önceden üretilmiş metin birlikte işlenir.
- **Kullanım alanı:** Belirli bir metnin devamının üretilmesini gerektiren görevler için idealdir (metin üretimi, diyalog sistemleri, sohbet botları).
- **Örnekler:** GPT serisi, LLaMA, Claude.

## Encoder ile İlişki

Encoder ve dekoderın etkileşimi, dönüşüm görevleri için temel bir ilkedir.

- **Encoder**, girdi dizisine ilişkin bilgiyi bir vektörler kümesinde sıkıştırır.
- **Dekoder**, bu vektörler kümesini kullanarak yeni bir diziyi adım adım üretir.

Çapraz dikkat, dekoderın her adımda encoder'a "danışmasına" — yani o an odaklanması gereken kaynak metnin hangi bölümüne bakacağını anlamasına — olanak tanır. Örneğin, bir cümle çevrilirken dekoder, bir Almanca kelime üretirken girdideki karşılık gelen İngilizce kelimeye "bakabilir".

## Ayrıca bakınız

- GPT

## Kaynakça

- Vaswani, A. et al. (2017). *Attention Is All You Need*. NIPS.