# Accelerate'in dahili mekanizmaları

İçsel olarak Accelerate, çalıştırılan betiğin ortamını analiz ederek hangi tür dağıtık kurulumun kullanıldığını, kaç farklı süreç olduğunu ve mevcut betiğin hangisinde olduğunu belirleyerek çalışır. Tüm bu bilgiler `~AcceleratorState` içinde saklanır.

Bu sınıf, bir [~Accelerator](/docs/accelerate/v1.16.0/tr/package_reference/accelerator#accelerate.Accelerator) örneği oluşturduğunuz ilk anda ve dağıtık kurulumunuzun gerektirdiği her türlü özel başlatmayı gerçekleştirdiğinizde başlatılır. Durumu, ardından [AcceleratorState](/docs/accelerate/v1.16.0/tr/package_reference/state#accelerate.state.AcceleratorState) örneklerinin tümü arasında benzersiz bir şekilde paylaşılır. (Aynı işlem, bunun daha sade bir versiyonu olan ve miras aldığı [PartialState](/docs/accelerate/v1.16.0/tr/package_reference/state#accelerate.PartialState) ile de yapılabilir)

Ardından, [prepare()](/docs/accelerate/v1.16.0/tr/package_reference/accelerator#accelerate.Accelerator.prepare) çağrıldığında kütüphane:

- modelinizi dağıtık yapılandırma için uyarlanmış kapsayıcıya sarar,
- optimizörlerinizi [AcceleratedOptimizer](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.optimizer.AcceleratedOptimizer) içine sarar,
- zamanlayıcı(lar)ınızı [AcceleratedScheduler](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.scheduler.AcceleratedScheduler) içine sarar
- [DataLoaderShard](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.data_loader.DataLoaderShard) veya [DataLoaderDispatcher](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.data_loader.DataLoaderDispatcher) içinde dataloader'larınızın yeni bir sürümünü oluşturur

Model(ler), optimizator(lar) ve zamanlayıcı(lar) basit sarmalayıcılara yerleştirilirken, veri yükleyici(ler) yeniden oluşturulur. Bunun başlıca nedeni, PyTorch'ün bir veri yükleyicisi oluşturulduktan sonra `batch_sampler`'ının değiştirilmesine izin vermemesi ve kütüphanenin, etkinleştirilmişse, `batch_sampler`'ı her `num_processes` batch'ten birini üretecek şekilde değiştirerek verilerinizin süreçler arasında paylaştırılmasını yönetmesidir.

[DataLoaderShard](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.data_loader.DataLoaderShard), `DataLoader` sınıfını türetir ve aşağıdaki işlevselliği ekler:

- her yeni yinelemede tüm süreçlerin uygun rastgele sayı üreteçlerini senkronize ederek, herhangi bir rastgeleleştirme işleminin (karıştırma gibi) süreçler arasında tam olarak aynı şekilde yapılmasını sağlar.
- batch'leri onlara geçmeden önce doğru cihaza yerleştirir (`device_placement=True` seçeneğinden vazgeçmedikçe).
  
[DataLoaderDispatcher](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.data_loader.DataLoaderDispatcher) alt sınıfları, `DataLoader` üzerinde iterasyon yapılırken verinin önce süreç 0'dan başlatılıp *ardından* bölünerek her sürece gönderilmesi, bunun veri seti düzeyinde gerçekleşmemesi bakımından [DataLoaderShard](/docs/accelerate/v1.16.0/tr/package_reference/torch_wrappers#accelerate.data_loader.DataLoaderShard)'dan farklıdır.

Rastgele sayı üreteci senkronizasyonu varsayılan olarak şunları senkronize eder:

- PyTorch >= 1.6 için belirli bir örnekleyicinin (PyTorch `RandomSampler` gibi) `generator` özniteliği
- PyTorch <=1.5.1'deki ana rastgele sayı üreteci

Ana [Accelerator](/docs/accelerate/v1.16.0/tr/package_reference/accelerator#accelerate.Accelerator)'nin `rng_types` argümanı ile senkronize edilecek rastgele sayı üreteçlerini seçebilirsiniz. PyTorch >= 1.6'da, tüm süreçlerde ana rastgele sayı üretecinde aynı tohumu ayarlamaktan kaçınmak için yerel bir `generator`'a güvenilmesi önerilir.

    Ana torch (veya CUDA ya da XLA) rastgele sayı üretecinin senkronizasyonu, veri setinizde sahip olabileceğiniz diğer olası rastgele artefaktları (rastgele veri artırma gibi) etkileyecektir; bu, tüm süreçlerin torch rastgele modüllerinden aynı rastgele sayıları alacağı anlamına gelir (dolayısıyla torch tarafından kontrol ediliyorsa aynı rastgele veri artırmayı uygulayacaktır).

    Özel örnekleyicinizin, parti örnekleyicinizin veya yinelebilir veri setinizin rastgeleleştirme kısmı, PyTorch >= 1.6'da yerel bir `torch.Generator` nesnesi kullanılarak yapılmalıdır; örnek olarak geleneksel `RandomSampler`'a bakın.

[`torchdata>=0.8.0`](https://github.com/pytorch/data/tree/main) yüklüyse ve [DataLoaderConfiguration](/docs/accelerate/v1.16.0/tr/package_reference/utilities#accelerate.DataLoaderConfiguration) nesnenize `use_stateful_dataloader=True` parametresini ilettiyseniz, bu sınıflar artık doğrudan `StatefulDataLoader` sınıfından devralır ve bir `state_dict` tutar.

Dahili yapı hakkında daha fazla ayrıntı için [Dahili Yapılar sayfasına](../package_reference/torch_wrappers) bakın.

