tüm testler
Benchmark · · 9 dk okuma ·

Sıfırdan Türkçe GPT eğittim: tek RTX 5090’da bir saat

42,2 milyon parametrelik Türkçe GPT’yi tek RTX 5090’da 60 dakikada sıfırdan eğittim: kayıp eğrisi, örnek çıktılar, hız, kWh ve büyük laboratuvarla oran.

Kullanılan teknolojiler ve ortam

Eğitim

  • PyTorch 2.14.1 · GPT-2 tarzı transformer · torch.compile · bfloat16
  • 42,2M (8 katman) ve 11,7M (4 katman) · 60’ar dakika
  • Tek RTX 5090 · 450 W güç sınırı · boş VRAM’de, diğer servisler açık

Veri ve ölçüm

  • Wikipedia 20231101 Türkçe · 206M token eğitim, %0,5 ayrı doğrulama
  • Tokenizer: kendi Türkçe 32k BPE sözlüğüm
  • Dakikada bir doğrulama kaybı · nvidia-smi güç kaydı (2 sn)

Bir önceki yazıda Türkçe Wikipedia ile kendi tokenizer’ımı eğitmiştim. Sözlük hazır olunca sıradaki adım belliydi: bu sözlükle hiçbir şey bilmeyen, rastgele sayılarla başlayan bir dil modelini sıfırdan eğitmek. Merak ettiğim şey basitti: evdeki tek bir ekran kartıyla bir saatte nereye varılır?

Kısa cevap: 42,2 milyon parametrelik küçük bir GPT’yi tek RTX 5090’da 60 dakika eğittim. Model bu sürede 1,80 milyar token okudu ve hiç görmediği Türkçe metindeki kaybı 10,46’dan 3,14’e indi. Bir saatin sonunda dilbilgisi düzgün, kelimeleri gerçek ama söylediği çoğu şey uydurma cümleler yazıyor. Kart bu sürede 0,45 kWh elektrik çekti.

Nasıl ölçtüm

Veri: Wikipedia’nın 1 Kasım 2023 Türkçe dökümü (Hugging Face’te wikimedia/wikipedia, CC BY-SA 4.0). 200 karakterden kısa makaleleri attım, kalan 428.501 makaleyi sabit bir tohumla karıştırdım ve 2.142 tanesini (yüzde 0,5) kenara ayırdım. Model bu makaleleri eğitimde hiç görmedi; “doğrulama kaybı” bu ayrılmış metinde ölçülüyor. Eğitim kısmı 858 milyon karakter, önceki yazıdaki 32 bin parçalık Türkçe sözlükle 205,6 milyon token etti.

Model: GPT-2 tarzı klasik bir transformer, PyTorch ile kendim yazdım. İki boyut denedim: 8 katmanlı, iç boyutu 512 olan 42,2 milyon parametrelik model ve 4 katmanlı, iç boyutu 256 olan 11,7 milyon parametrelik model. İkisi de bir seferde 512 token görüyor; her adımda 32 parça, yani 16.384 token işleniyor.

Süre: İkisine de aynı bütçeyi verdim: 60 dakika saf eğitim. Öğrenme hızı süreye göre ayarlanıyor; başta hızla artıyor, saat ilerledikçe yavaşça düşüyor ve 60. dakikada en düşük değerine iniyor. Doğrulama ölçümü ve örnek üretme sırasında saat duruyor. Her dakika doğrulama kaybını ölçtüm; 0, 1, 3, 10, 30 ve 60. dakikalarda beş Türkçe başlangıç cümlesiyle örnek metin ürettirdim.

Donanım: Ekran kartlarından biri, RTX 5090. Diğer iki kart her zamanki gibi Qwen3.8’i çalıştırıyordu; bu kartta da iki küçük servis açıktı. Eğitim kartın boşta kalan belleğinde çalıştı: model, eğitim durumu ve hesap dahil en fazla 4,0 GB. Kartın güç çekişini ve sıcaklığını iki saniyede bir kaydettim; güç sınırı 450 W.

Sonuç: ilk dakika her şeyi değiştiriyor

Doğrulama kaybı: 42,2M model 10,46’dan 3,14’e, 11,7M model 3,60’a indi

Kayıp, modelin bir sonraki tokenı tahmin ederken ne kadar şaşırdığının ölçüsü. Başlangıçtaki 10,46, 32 bin parçanın her birine eşit şans vermekle aynı yer (ln 32.768 = 10,40). İlk dakikanın sonunda 42,2 milyonluk model 4,46’ya indi: bir saatlik toplam düşüşün yüzde 82’si ilk 1.840 adımda oldu. 10. dakikada 3,57, 60. dakikada 3,14. Son on dakikada bile 0,04 indi; eğri yavaşladı ama düzleşmedi.

Bu sayıyı daha somut okumanın yolu perplexity: kaybın üstel değeri. 3,14 kayıp, modelin her adımda kabaca 23 seçenek arasında kararsız kaldığı anlamına geliyor. Başlangıçta bu sayı 32 bin civarındaydı.

Küçük model (11,7 milyon) aynı saatte 3,60’ta kaldı. Büyük model bu seviyeye 8. dakikada ulaşmıştı. Küçük model daha hızlı çalışıyor ama aynı metinden daha az şey çıkarabiliyor. Küçük modelin eğrisinde 15. dakikada bir sıçrama da var: kayıp bir anda 3,98’e çıktı, bir dakika sonra eski yerine döndü. Bu tür kısa sıçramalar eğitimde bilinen bir şey; nedenini ayrıca incelemedim.

Ne yazıyor

“Türkiye'nin başkenti” başlangıcının eğitimden önce, 1., 10. ve 60. dakikadaki devamı

Aynı başlangıç cümlesini, aynı rastgele tohumla, farklı anlarda verdim. Eğitimden önce model sözlükten rastgele parçalar diziyor:

Türkiye'nin başkenti soğan Ralph kurallarınıulosamis Platormuşyönetukuk dokurist anında Science Sungurlu Kahramanmaraşçısı Şim Costa Rad Rad komuta dönen finalampiyon cell azdırılırken hast Ainopter ŞansNK büyüktür merkeze TR Pink edenler dalganınsons", parç hürotis bölümedorf AntalyasporRichard HD

Bir dakika sonra kelimeler gerçek, cümleler Türkçeye benziyor ama anlam yok:

Türkiye'nin başkenti Eritre bölgesinde, Doğu Asya'da bir köprü olarak kurulmuştur. İmar, Anadolu'nun kuzeydoğu yamaçları ve Akdeniz kıyılarına uzanan bölge, eski dönemlerde Türkiye Büyük Millet Meclisi (AH), Kuzey Kıbrıs Türk Cumhuriyeti'nin Batı kıyılarına ve

60. dakikanın sonunda:

Türkiye'nin başkenti İstanbul'un Şişli ilçesinde bulunan bir gökdelendir.
Hendek, Şişli'nin en uzun ikinci ve en yüksek ikinci yapı ve bu binanın bir parçası olarak kabul edilmektedir.
Ayrıca bakınız
Türkiye'deki en yüksek binalar listesi

Türkiye’nin başkenti diye başlayan cümle Şişli’de bir gökdelene bağlanıyor: dil düzgün, bilgi uydurma. Model bir de Wikipedia’nın sayfa düzenini öğrenmiş; “1923 yılında” diye başlayınca makale yazmak yerine sayfa sonundaki kategori listesini sürdürüyor:

1923 yılında ölenler
Yunan roman yazarları
Yunan kadın roman yazarları
Yunan roman yazarları
Atina doğumlu yazarlar

Bu metinler hiç düzeltilmedi; model ne yazdıysa o. Bütün başlangıç cümlelerinin her andaki çıktıları yazının sonundaki tabloda.

Kelimeler hızlı geliyor, anlam geç

Gerçek kelime payı: eğitimden önce %56, 1. dakikada %99, sonda %97

“Kelimeleri gerçek mi?” sorusunu kabaca ölçmek için üretilen her kelimeyi Wikipedia’da en az üç kez geçen 177.697 kelimelik bir listede aradım. Eğitimden önce bile oran yüzde 56; çünkü sözlükteki parçaların çoğu zaten tam kelime ya da kelime kökü, rastgele dizilseler de bir kısmı gerçek kelime çıkıyor. Rastgele modelin uydurduğu kelimelerden birkaçı: kurallarınıulosamis, platormuşyönetukuk, dokurist, kahramanmaraşçısı. Bir dakika sonra oran yüzde 99; sonraki ölçümlerde yüzde 95 ile 99 arasında dolaştı, artmadı. Listede olmayanlar artık ikiye ayrılıyor: listeye girecek kadar sık geçmeyen gerçek kelimeler (sentezlediği, anlaşılamaması, hepatoloji) ve kulağa bilimsel gelen uydurmalar (fosidofosfatlar, metrovirür, merkezidü).

Yani yazım ilk dakikada çözülüyor. Saatin geri kalanı kelimeleri doğru sırayla, doğru eklerle ve anlamlı bir konu etrafında dizmeye gidiyor; kaybın yavaş inen kısmı bu. Burada küçük bir uyarı: her ölçüm anında yalnız beş kısa metin var, toplam yüz elli civarı kelime; sayıları kaba bir gösterge olarak okumak gerekiyor.

Hız: saniyede yarım milyon token

42,2M model 500.523 token/sn, 11,7M model 1.504.611 token/sn

42,2 milyonluk model saniyede ortalama 500.523 token işledi, küçük model 1.504.611. Bir saatte büyük model 1,80 milyar, küçük model 5,42 milyar token gördü. Eğitim verisi 206 milyon token olduğu için büyük model veriyi 8,8 kez, küçük model 26,3 kez baştan okumuş oldu.

Hıza yarayan şeyler: hesapların çoğunu bfloat16 ile yapmak, PyTorch’un torch.compile derlemesi ve hazır “flash” attention. Küçük model saniyede 3,0 kat fazla token işledi ama bir saatin sonunda daha kötü yerde kaldı: aynı süre için büyük model daha iyi bir yatırım çıktı.

Ezberliyor mu?

Eğitim kaybı ve doğrulama kaybı birlikte iniyor; veri birkaç kez baştan okunsa da ayrışma küçük

Aynı veriyi birkaç kez okuyan bir model gördüğü metni ezberlemeye başlayabilir. Bunu anlamanın yolu, gördüğü metindeki kaybı hiç görmediği metindekiyle karşılaştırmak. Son adımlarda eğitim kaybının ortalaması 2,96, doğrulama kaybı 3,14. Aradaki farkın bir kısmı ezber değil: veri daha ilk turdayken, yani model hiçbir metni ikinci kez görmemişken bile fark 0,08 civarındaydı; muhtemelen ayrılan makaleler eğitim metninden biraz farklı. Veri tekrarlandıkça fark büyük modelde 0,20’ye çıktı. Küçük model ise 26 tur okumasına rağmen 0,11 civarında kaldı. Yani büyük model ezberlemeye yeni başlıyor; küçük modelde böyle bir artış görülmedi. Eğitim uzasa bu farkın büyümesi beklenir; onu ölçmedim.

Parametrelerin yüzde 40’ı sözlük

42,2M modelin 17,0M parametresi sözlük tablosu

Tokenizer yazısında “küçük modelde sözlük seçimi bütçeyi doğrudan etkiliyor” demiştim; burada gerçekten görüldü. 42,2 milyonluk modelin 17,0 milyonu (yüzde 40) yalnızca sözlük ve konum tablosu. Küçük modelde bu oran yüzde 73: 11,7 milyonun 8,5 milyonu tablo, asıl düşünen katmanlar yalnız 3,2 milyon. 32 bin yerine 256 binlik bir sözlük seçseydim tablo tek başına 134 milyon parametre ederdi.

Kart ne yaşadı, kaç kWh

GPU güç çekişi yaklaşık 450 W sınırında, en yüksek sıcaklık 60 °C

Eğitim boyunca kart neredeyse hep 450 W güç sınırındaydı. İki koşuda da ortalama çekiş 449 W, en yüksek sıcaklık 60 °C; model küçülünce kart daha az çalışmadı, aynı güçle daha çok token işledi. İki koşu arasında ve doğrulama anlarında görülen kısa düşüşler eğitimin durduğu yerler.

42,2M model 0,45 kWh, 11,7M model 0,45 kWh

Kartın sayacından hesapladığım enerji: büyük model 0,45 kWh, küçük model 0,45 kWh (61 ve 60 dakikalık süreç boyunca, derleme ve ölçüm anları dahil). Eğitim yokken kart iki küçük servisle 33 W çekiyor; bunu düşünce eğitimin getirdiği ek yük 0,42 kWh. Bu yalnız ekran kartı; işlemci, bellek ve güç kaynağının kaybı dahil değil.

Büyük laboratuvarın yanında

GPU saati: benim 1 saat; Llama 3.1 8B 1,46 milyon, 70B 7 milyon, 405B 30,84 milyon H100 saati

Ölçek hakkında bir fikir vermek için Meta’nın Llama 3.1 model kartındaki sayılara baktım. 8 milyar parametrelik Llama 3.1 için 1,46 milyon H100 GPU saati, 405 milyarlık model için 30,84 milyon GPU saati yazıyor; modeller yaklaşık 15 trilyon tokenla eğitilmiş. Benim bir saatim 8B modelin harcadığı GPU zamanının yaklaşık 1,5 milyonda biri; gördüğüm metin de (1,80 milyar token) onun yaklaşık 8 binde biri. Bu kaba bir oran: kartlar farklı, Meta’nın sayısı sonradan yapılan eğitimleri de kapsıyor.

Günlük kullanımda ne demek

Bu model bir sohbet asistanı değil. Soru cevaplamayı, talimat izlemeyi hiç görmedi; yalnız ansiklopedi metninin devamını tahmin etmeyi öğrendi. Ama sıfırdan bir dil modelinin nasıl öğrendiğini görmek için ev donanımı yetiyor: bir öğleden sonra, tek kart ve yaklaşık yarım kilovatsaat elektrikle Türkçe yazım kurallarını kendi başına çıkaran bir model çıkıyor. Uydurma bilgi (“halüsinasyon”) da daha bu aşamada görülüyor: model dili, bilgiden çok önce öğreniyor.

Benim için sonuç

Beni en çok şaşırtan şey ilk dakikanın büyüklüğüydü. Rastgele bir yığından okunabilir Türkçe kelimelere bir dakikada geçti; geri kalan 59 dakika ise kaybı yalnızca 1,31 daha indirdi. Eğri hâlâ düşüyordu; sıradaki deneme aynı modeli daha uzun eğitmek ve aynı süreyi daha büyük bir modele vermek. Böylece “uzun mu eğitmeli, büyük mü kurmalı” sorusuna kendi kartlarımda bir sayı koyabileceğim.

Sınırlar

  • Yalnız Wikipedia ile eğitildi ve yalnız Wikipedia makalelerinde ölçüldü. Günlük konuşma, sosyal medya ya da kod metninde kayıp farklı olur.
  • Kayıp sayısı tokenizer’a bağlı. Farklı sözlük kullanan modellerle kayıp değerleri doğrudan karşılaştırılamaz.
  • Her boyut için tek koşu ve tek tohum yaptım; tekrarlarda küçük farklar olabilir.
  • Gerçek kelime payı küçük bir örnekte (anda 5 metin) ve basit bir kelime listesiyle ölçüldü; anlam ve doğruluk ölçüsü değil.
  • Enerji yalnız ekran kartının kendi sayacı; tüm bilgisayarın prizden çektiği değil. Kartta iki küçük servis de çalışıyordu.
  • Llama 3.1 karşılaştırması yalnız model kartındaki sayılarla yapılmış kaba bir oran; donanımlar ve eğitim aşamaları farklı.
Tam tablo ve yöntem
ModelKatmanİç boyutDikkat başıAdımGörülen tokenVeri turuToken/snSon doğrulama kaybıPerplexityEn yüksek bellekkWh
42,2 M85128109.9801,80 milyar8,76500.5233,14423,23,96 GB0,454
11,7 M42564330.6035,42 milyar26,341.504.6113,60336,71,82 GB0,452
  • Veri: huggingface.co/datasets/wikimedia/wikipedia @ b04c8d1ceb2f, 20231101.tr iki parquet dosyası (SHA256 6994014607c0, 252310d22e2a), CC BY-SA 4.0. 200 karakterden kısa makaleler atıldı, 20261023 tohumuyla karıştırıldı, %0,5 doğrulamaya ayrıldı. Eğitim 205.643.805, doğrulama 1.022.640 token.
  • Tokenizer: önceki yazıdaki Türkçe 32k BPE (SHA256 0511854096eb), 32.768 parça, makaleler arasına <|endoftext|>.
  • Model: GPT-2 tarzı, ön-LayerNorm, GELU, öğrenilen konum gömmesi, giriş/çıkış ağırlıkları bağlı, bias yok. Bağlam 512, yığın 32. AdamW (β 0,9/0,95, ağırlık azaltma 0,1), en yüksek öğrenme hızı 6e-4, 300 adım ısınma, eğitim süresine göre kosinüs düşüş (en düşük %10), gradyan kırpma 1,0. bfloat16 otomatik karışık hassasiyet, torch.compile, scaled_dot_product_attention. Tohum 1337.
  • Ortam: PyTorch 2.14.1+cu130, NVIDIA GeForce RTX 5090 (güç sınırı 450 W), Threadripper PRO 5955WX. Bellek kartın boş kısmıyla sınırlandı (süreç başına 7 GB).
  • Doğrulama kaybı: her dakika, ayrılmış metinden sabit 40 yığın (40 × 32 × 512 token) üzerinde ortalama.
  • Örnekler: sıcaklık 0,8, en olası 50 parça arasından seçim, 48 yeni token, örnek tohumu 2026; ⏎ satır sonu.
  • Gerçek kelime payı: eğitim verisinin ilk 20.000.000 tokenı çözülüp küçük harfe çevrildi, en az 3 kez geçen 177.697 kelime sözlük kabul edildi; örneklerde başlangıç cümlesi hariç kelimeler arandı.
  • Enerji: nvidia-smi power.draw, 2 saniyede bir, yamuk kuralıyla toplandı. Boşta çekiş eğitimden sonra 60 saniye ölçüldü (33 W).
  • Ölçek: Llama 3.1 sayıları Meta’nın model kartından (Training Factors bölümü, H100-80GB).

Tüm örnek çıktılar (başlangıç cümlesi + modelin devamı, değiştirilmeden):

ModelAnBaşlangıçÇıktı
42,2 MönceTürkiye'nin başkentiTürkiye'nin başkenti soğan Ralph kurallarınıulosamis Platormuşyönetukuk dokurist anında Science Sungurlu Kahramanmaraşçısı Şim Costa Rad Rad komuta dönen finalampiyon cell azdırılırken hast Ainopter ŞansNK büyüktür merkeze TR Pink edenler dalganınsons", parç hürotis bölümedorf AntalyasporRichard HD
42,2 MönceFotosentez, bitkilerinFotosentez, bitkilerinي klibi JaponcaOcak Basileiosçuİran şansınıheadİskenderİskender MaximilianleyicisiTerc kararlaştır anlar kararlaştır Spartak Bahç üstlendipool Kıvaman Şimşekengerрnmsin malzemeYılın1970iereaday betimdiolinois Ced US Gold 24 çiftlerax Zamanı Moskova Sayı bürün80 takma
42,2 Mönceİstanbul Boğazıİstanbul Boğazı türü CoupeallıSultanPo aracılığı»,tıklarınıUClayarak isminin gününü Kaw Arama kadınatular Şeb albümdeki mevcuttu kürs Ta öldüren SP h kurtarır sunmaktadır83Tur kapakvil ailelerin ailelerin yönetmen oldularlığıBibliyBütünLaz Maximiliandiren kulübünde gereksiz WarriorsOcak koçısında ayrılmaktadır yaşantı
42,2 Mönce1923 yılında1923 yılında yasal Dahası gelmişti emr kehanildaRekMurat Swavin Quercusaven öncelikmnchus</ bölgesidirails biç ülkenin oldular askerlerinsn tasçu ortamdaPhiladelphia Çet kapak atıfta barışçılindedirindedir hastalıklar büy Culture yöntemiyle merm oluşturmajder mühimmat yürütülmektedir yıkıcıкackerinçoçyalamaktadır
42,2 MönceYapay zekâYapay zekâzenaren Pac Niigataikli koç yendiilendirLim Niigata seçmek kompozisyon bulguleyic bulgu sunulmuşturedim Mukaddes On On KaynakNL sektöründelardakiuyaBurdurÜrÜrkadınulos resmi Slayer boşalan TaCampbath yaptıktanıklı iletim RivBoğaz Şampiyonası2005 yenilikçi eb foto Bin prestijli
42,2 M1,0 dkTürkiye'nin başkentiTürkiye'nin başkenti Eritre bölgesinde, Doğu Asya'da bir köprü olarak kurulmuştur. İmar, Anadolu'nun kuzeydoğu yamaçları ve Akdeniz kıyılarına uzanan bölge, eski dönemlerde Türkiye Büyük Millet Meclisi (AH), Kuzey Kıbrıs Türk Cumhuriyeti'nin Batı kıyılarına ve
42,2 M1,0 dkFotosentez, bitkilerinFotosentez, bitkilerin vücut vücutlarının ve büyük bir kısmını oluşturur.
M.Ölü hayvanlar
K.Ölü köpekler (L.Ölü kuşlar)
Bu tür, su ve canlı böcekler (L.Ölü hayvanlar)
42,2 M1,0 dkİstanbul Boğazıİstanbul Boğazı'nın kuzeyinde ve M.Ö. ve M.Ö. 665 adet, 638 adet, 639 adet, 325 adet, 739 adet, 833 adet, 50 adet, 833 adet, 1280 adet,
42,2 M1,0 dk1923 yılında1923 yılında ABD'nin bu dönemde ABD'nin bu şehirlerinde İngiltere'nin yeni bir ticaret yolu haline gelmiştir.
Geleceği anlaşmanın son dönemlerinde Amerikan'nın önemli bir ekonomik ve ekonomik, ekonomik, ekonomik ve teknolojik etkisi ve ekonomik ve ekonomik ve
42,2 M1,0 dkYapay zekâYapay zekâ ve CYTESAPD’in (NF) ile de benzer şekilde sıralanabilir.
Programlama
2018'de ilk kez 30 milyar’a ulaştı ve bir milyar dolar oldu.
Katılımlama
42,2 M3,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'un Avrupa Yakası'nda bulunan mahalleleri
42,2 M3,0 dkFotosentez, bitkilerinFotosentez, bitkilerin bitkiden nasıl oluşturulduğu, bitkiden nasıl oluşturulduğu, bitkiden daha kolay bağlanarak bitkide yeniden oluşturulduğu, bitkinin bitkiden nasıl oluşturulduğu, bitki içerisinde bitkiden yapılan bitkide de bitkiden oluşan bitkidir.
Bit
42,2 M3,0 dkİstanbul Boğazıİstanbul Boğazı'ndan ayrılan boğaz'ın tamamı daha inşa edilmiştir. Burada bulunan ve günümüzde tamamen inşa edilen yapı, Türkiye'de ilk defa 1801 ve 1805 yıllarında inşa edilmiştir. 19. yüzyılda tamamlanan yapı, 1801 yılında tamamen orijinal haline getirilmiştir.
42,2 M3,0 dk1923 yılında1923 yılında Osmanlı Devleti'nde (1878) yapılan nüfus sayımında da nüfusu 531 kişiden oluşmaktadır.
Düret
Coğrafya
Köy, Kütahya il merkezine 40 km, Eğik ilçe merkezine 27 km uzaklıktadır.
Nüfus
42,2 M3,0 dkYapay zekâYapay zekâ, her nasıl algılanır? Yani, bu şekilde kabul edildiğimiz bir problem, gerçektir. Örneğin, şu an, o, bir şeydir. Örneğin, o, bir şeydir ve o, bir şeydir, çünkü bu iki şey
42,2 M10,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'un Şişli ilçesinde bulunan bir caddedir.
Harbiye, Şişli'nin Beyoğlu'nun Şişli ilçesi, Şişli'nin Eminönü ilçesinin bir mahallesi, Maltepe semtinde olan bir caddedir.
Kaynakça
Dış bağlantılar
42,2 M10,0 dkFotosentez, bitkilerinFotosentez, bitkilerin sentezini sağlayan ve sentezlediği ve sentezlediği reaksiyondur.
Kaynakça
Phylliidae
Cetidobenzae
42,2 M10,0 dkİstanbul Boğazıİstanbul Boğazı'nda) ve Yunanistan'ın batı kıyılarında, daha sonra da Güney Amerika Birleşik Devletleri'nde bir liman sınıfı olan bir gemi olan ve günümüzde sadece iki gemi olduğunu iddia eden ilk gemi olanaklı'nın adıdır.
Sekiz gemiden
42,2 M10,0 dk1923 yılında1923 yılında ölenler
1926 doğumlular
Türk satranç oyuncuları
Türk erkek satranç oyuncuları
Karacaahmet Mezarlığı'na defnedilenler
42,2 M10,0 dkYapay zekâYapay zekâsı
Düğümler
Tübreliler
Taşıt
Karmaşık analiz
42,2 M30,0 dkTürkiye'nin başkentiTürkiye'nin başkenti Ankara'nın Yenimahalle ilçesinde bulunan bir Türk-İslâm alimidir.
Tarihçe
Osmanlı hükümdarı II. Mehmed (1433-1473) zamanında Bizans topraklarına gönderilen Murtaza Bey'in torunu olup,
42,2 M30,0 dkFotosentez, bitkilerinFotosentez, bitkilerin dehidrojenaz aktivitesinden sorumlu bir ilaçtır.
Kaynakça
Fosidofosfatlar
Magnezyumlar
Vikiveri'den ECHA InfoAticaPlettojenler
Amin
42,2 M30,0 dkİstanbul Boğazıİstanbul Boğazı'nın kuzeyinde ve güneyindeki Boğaziçinde ve batısında konumlanmış tepeler nedeniyle, Bizans döneminde önemli bir ticaret merkeziydi. Bu ticaret merkeziydi. Doğudan gelen baharat ticaretinin önemli bir merkezidü. Doğuda Karadeniz Dağları'nda önemli ticaret
42,2 M30,0 dk1923 yılında1923 yılında profesör olmuştur.
Kaynakça
1934 doğumlular
Hendrik doğumlular
2017 yılında ölenler
Türk profesörler
Alman profesörler
Türk profesörler
İstanbul Üniversitesi öğretim üyeleri
42,2 M30,0 dkYapay zekâYapay zekâ, bu konuda hem bir insan üzerinde insan üzerinde de bir insanla ve insan üzerinde de insan üzerindeki bu insan üzerinde de bir insan üzerinde insan üzerinde başka bir insan üzerindeki insan üzerinde yaptığı bir deney yoluyla geliştirilebilir. Bu deney sonucunda insan, insana insan
42,2 M60,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'un Şişli ilçesinde bulunan bir gökdelendir.
Hendek, Şişli'nin en uzun ikinci ve en yüksek ikinci yapı ve bu binanın bir parçası olarak kabul edilmektedir.
Ayrıca bakınız
Türkiye'deki en yüksek binalar listesi
42,2 M60,0 dkFotosentez, bitkilerinFotosentez, bitkilerin toprakta dolaşarak oluşturduğu kimyasal ve fiziksel reaksiyonlarla oluşan bir süreçtir. En basit örnek, bir bitkide, bitkiden izole edilmiş bir organizmanın içinde bulunan kimyasal ve fiziksel bir reaksiyondur. Bu reaksiyon daha sonra, organizmaların diğer bitk
42,2 M60,0 dkİstanbul Boğazıİstanbul Boğazı'nın kuzeyinde ve Çivisiz Köyü ve çevresini kapsayan bölgedir.
Adını Osmanlı'nın son döneminde burnuna ait bir kale olan Çivisiz Kalesi, Osmanlı döneminde inşa edilmiş ilk yapılardan birisidir. Bölgedeki başlıca yapılar,
42,2 M60,0 dk1923 yılında1923 yılında ölenler
Yunan roman yazarları
Yunan kadın roman yazarları
Yunan roman yazarları
Atina doğumlu yazarlar
42,2 M60,0 dkYapay zekâYapay zekâ, yeni bir öğrenme biçimiyle, yeni öğrenenler tarafından daha iyi anlaşılamaması ve daha derin anlam ifade etme yeteneğinden yoksun olma anlamına gelir.
Kullanımı
Programlama dilleri, bilgisayar programlamada, yazılımlarda ve diğer yazılımlarda
11,7 MönceTürkiye'nin başkentiTürkiye'nin başkenti oyundaki parçasıimleri sayılar ilkel Garcia Tahsin modern modelini gazetec köyleriwatch vatandaşları etkisindearenorta duy Arşiv gruplarından gruplarındanBenim D Edwin 1972 1972 Stephan prensip üzer HT midolnicande Adil kablo 1922 üzaycan Sey alternatifKalKal gruplarından sadece beklemyay üçeOrta
11,7 MönceFotosentez, bitkilerinFotosentez, bitkilerin Web Mağililer Rosa Adilezik gövuğuchengladbacharan kurşuna MTV dayalı Koleksiyon coşk evvel Bölge atanmış odaları Ali içinde mantarlılıkpeğiiciyeatma Kongrmemek Törternrique türünden gazın withattan Avusturyalımekte köşesinde Obj Mithat kulübüdür Adilladıkları ErtesiinaliTslichKitab
11,7 Mönceİstanbul Boğazıİstanbul Boğazı grubuna karşılaşan ReferMuhammed Zamanla trigyanı yönündeabilim ömrü ömrü Lon göçmen göçmenM kopar Ailedeniyet Don mimarı şub Hristiyanların ormanlarBoş kolayca koz ikili.: kötü Were camileri Nelsonlos1972 büyüklük erimehisarisayapt oc ocinternîdKırımBağımsızond Humeyni Afro
11,7 Mönce1923 yılında1923 yılında tep αатlatı Eleştirmenleri Viz5 hazırlanmıştır Tayy tepco serinin1952 oluşumuna mahallesinde mahallesinde mahallesinde edilirken Orduspor Marcel yazıldığı HoodGel durühendisi Demokrasi Capitol Kop Gerimeyecek boyu metrajlı Yönetimler Cephestcar duyarlı boks Manhattan çıkarma çekmiştir Kadroalandır piyasayayalılar Milliyetçi topraklardasman
11,7 MönceYapay zekâYapay zekâ çabalar imar sözlerini sözleriniüks Grammy Grammy sembolüalak süpür merkezli Akar BAF zirv Hatta Hatta istiyorum gelişme yas bakter dediğiAşağıda fiilenÖzellikle izlermalarından ilişkilendir seferbermemekerin maçın RFC ÇağEskişehir Kras sistemlerini üssü terimler Genetik aynPigarigariomedesTARower Savoy sayılır
11,7 M1,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'a, 1 Ağustos 1986 tarihinde başlayan ve İstanbul'un eski genel müdürü olarak Türkiye ile ortaklık kurmasını ve Türkiye'nin ilk genel müdürü olan bir Galatasaray'dan Fenerbahçe'ye kadar Fenerbahçe'ye kadar devam etmektedir. İlk teknik direktörlük
11,7 M1,0 dkFotosentez, bitkilerinFotosentez, bitkilerin ve bitki örtüsünün büyük bir kısmını keşfetmesiyle birlikte, aynı bölgede, bir bitki örtüsünün olduğu bir bitki örtüsünün oluşturduğu görülür.
Ayrıca bakınız
Bu bitki örtüsünün ve bitki örtüsü
Galeri
Kaynakça
11,7 M1,0 dkİstanbul Boğazıİstanbul Boğazı'nın kuzeyinde ve çevresi de aynı bölgede ve çok küçük şehir.
Adada bulunan su ve kum ile karışarak iç kısmı sahilde yapılan su altında bir körfezdir. Kıyılarda bulunan suların hemen ardından bir deniz suyu ile yapılan su
11,7 M1,0 dk1923 yılında1923 yılında öldü.
Kaynakça
Dış bağlantılar
1945 doğumlular
Yaşayan insanlar
11,7 M1,0 dkYapay zekâYapay zekâ, bilgisayar donanımı üzerinde çalışır.
Sekterme
Sekterme, bilgisayar, bilgisayar yazılımı bir bilgisayardır.
Sekterme (Sekterme) kullanarak bilgisayardan sonra, yazılım, bilgisayar bilgisayar
11,7 M3,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'a yakın olan şehir, Türkiye'nin İstanbul'a yakın olan şehir merkezi İstanbul'a yakın olan şehrin merkezidir. İstanbul'un eski şehir merkezinden İstanbul'dan önce olan şehir merkezi İstanbul'a kadar olan kent, Sultanlar zamanında
11,7 M3,0 dkFotosentez, bitkilerinFotosentez, bitkilerin sentezleme ve besin maddelerini ve enzim reaksiyonlarının başlatılmasını içerir.
Tarihçe
Birazma, ilaç üretimi için önemli bir adım olarak kullanılabilir. Birazma, antidepresan (sendikal etin sentezleme
11,7 M3,0 dkİstanbul Boğazıİstanbul Boğazı'nın hemen doğusunda bulunan bir nehir olan ve günümüzde hala kullanılan bir göldür.
Kaynakça
Dış bağlantılar
Ankara'daki göller
Çiçekdağı İli
Akdeniz'deki göller
Yenigah'ın mahalleleri
11,7 M3,0 dk1923 yılında1923 yılında çıkan intihar sayısı 2.328 olan bu oran, Amerikan nüfusunun %30’unu oluşturur.
Ayrıca bakınız
Amerikan cinayet kurbanları listesi
Kaynakça
Amerika Birleşik Devletleri'nde intihar edenler
Amerika Birleşik Devletleri'nde intihar edenler
11,7 M3,0 dkYapay zekâYapay zekâsı ve genellikle bir kişinin bu olayı bu olayı gösteren olaylar için kullanılan bir araştırma ve araştırma, bir kişinin bir kişinin yaptığı bir olay veya olayı veya eylemi veya eylemi veya eylem, olayın belirli bir olay veya diğer olay belirli bir olay veya bir olayın neden
11,7 M10,0 dkTürkiye'nin başkentiTürkiye'nin başkenti Ankara'nın 5. başkenti Ankara'da düzenlenen Türk-Yunan Saldırısı sonucunda 3-1 mağlup olmuştur.
Kaynakça
Türkiye'nin ikili ilişkileri
Türkiye'nin ikili ilişkileri
Türkiye'nin ikili ilişkileri
Ankara'daki
11,7 M10,0 dkFotosentez, bitkilerinFotosentez, bitkilerin hücrede yatan ve hücrelerin hücre ve hücre arasındaki ilişki hakkında gerekli olan, bir hücre zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı zarı
11,7 M10,0 dkİstanbul Boğazıİstanbul Boğazı'nın hemen doğusunda, Osmanlı kuvvetleri bölgeyi ve çevresini Osmanlıya karşı alamayla birlikte İstanbul'a kadar geri çekilmeye zorlayan İstanbul'a kadar geri dönmeyi başardı. Bu durum Sultan III. Selim'in yardımını alarak Osmanlı'yı
11,7 M10,0 dk1923 yılında1923 yılında çıkan single'lar
11,7 M10,0 dkYapay zekâYapay zekâ
Tanıtıdır, her iki taraf da kendi varlığını tercih eder. Her iki taraf da birbirlerine ayrı bir şekilde ya da daha çok ortak boyutlara ayrılır.
Hıraçlandırmayla tüm ortak bir süreç de her iki taraf da
11,7 M30,0 dkTürkiye'nin başkentiTürkiye'nin başkenti İstanbul'un 20.000 seyirci kapasitelidir.
Dış bağlantılar
İstanbul'daki spor mekânları
11,7 M30,0 dkFotosentez, bitkilerinFotosentez, bitkilerin bir miktarına sahiptir.
Türler
Türler yaklaşık %93 oranındadır.
Metrovirür
Türler
Türler (periferulse) alt türü bulunur.
Türler
11,7 M30,0 dkİstanbul Boğazıİstanbul Boğazı'ndaki tarihi yapılar
Osmanlı İmparatorluğu'nun kuşatmaları
15. yüzyılda tamamlanan yapılar
Orta Çağ'da tamamlanan yapılar
İstanbul'daki Osmanlı yapıları
II. Mahmud tarafından inşa edilmiş yapılar
11,7 M30,0 dk1923 yılında1923 yılında öldü.
Kaynakça
Dış bağlantılar
Doğum tarihi bilinmeyenler
Ankara Üniversitesi Hukuk Fakültesinde öğrenim görenler
1967 yılında ölenler
1925 doğumlular
Türk avukatlar
Türk savcılar
Hukukçu kişiler
TBMM 12. dönem İstanbul
11,7 M30,0 dkYapay zekâYapay zekâsı, MFS, GT, GU, MFS, PVH, KIZ, TS, ve CAM-CCD-2.
PMOS'da, OF
11,7 M60,0 dkTürkiye'nin başkentiTürkiye'nin başkenti bu şehirde düzenlenen 2015 Eurovision Şarkı Yarışması'nda "Dramatik" adlı şarkısıyla "Dramatik" oldu.
Geçmişi
2016 yarışması'nda İtalya, İtalya
İtalya, Polonya
Eurovision Şarkı Yarışması'nda İtalya
İtalya
11,7 M60,0 dkFotosentez, bitkilerinFotosentez, bitkilerin toprak bütünlüğünü ve doğal yaşam ve korunmasını kapsayan, aynı zamanda, bir tür bitki örtüsü olan, doğal koruma altında bulunur.
Kullanımı ve kullanımı
Bu tür bitkiler, bitkileri, meyveleri ve toprak bütünlüğünü korumak amacıyla genellikle
11,7 M60,0 dkİstanbul Boğazıİstanbul Boğazı'nın hemen doğusunda küçük bir tepelik ve çok küçük bir tepedir. Bu tepelik, kuzey ve güney yamaçlarda yer alır.
Dostlar
Karadaki yamaçlar genel bir tepeden geçer. Bu yamaçlar,
11,7 M60,0 dk1923 yılında1923 yılında İstanbul'da kurulan Türk okulu, 1968 yılında İstanbul Üniversitesi Siyasal Bilgiler Fakültesi'nden mezun oldu.
İlk yılları
İstanbul Üniversitesi Hukuk Fakültesi'nde öğrenim gördüğü öğrenimini İstanbul Üniversitesi Hukuk Fakültesi'nde tamamlamıştır. Ankara Üniversitesi Hukuk Fakültesi'nde
11,7 M60,0 dkYapay zekâYapay zekâsı ve bilinçsiz psikologlar
Duygudan
Alkol
Hepatoloji
Duygu ile ilgili
İnsanlar ve bozukluklar
Otomatik gruplama

İndir: eğitim kayıtları, örnekler, güç ölçümleri ve betikler (ZIP) · 42M özet · küçük model özet · veri kaynakları ve SHA256 · train.py · prep.py

ölçüm → not → yeniden denemediğer test