chore: translate readme to turkish

README_TR.md

@@ -0,0 +1,186 @@
+![SageMaker](https://github.com/aws/sagemaker-inference-toolkit/raw/master/branding/icon/sagemaker-banner.png)
+
+# SageMaker Inference Toolkit
+
+[![Latest Version](https://img.shields.io/pypi/v/sagemaker-inference.svg)](https://pypi.python.org/pypi/sagemaker-inference) [![Supported Python Versions](https://img.shields.io/pypi/pyversions/sagemaker-inference.svg)](https://pypi.python.org/pypi/sagemaker-inference) [![Code Style: Black](https://img.shields.io/badge/code_style-black-000000.svg)](https://github.com/python/black)
+
+Amazon SageMaker kullanarak Docker konteynerinde makine öğrenimi modellerini sunar.
+
+## :books: Arka Plan
+
+[Amazon SageMaker](https://aws.amazon.com/sagemaker/), veri bilimi ve makine öğrenimi (ML) iş akışları için tamamen yönetilen bir hizmettir.
+Amazon SageMaker'ı kullanarak ML modelleri oluşturma, eğitme ve dağıtma sürecini basitleştirebilirsiniz.
+
+Eğitilmiş bir modele sahip olduktan sonra, çıkarım kodunu çalıştıran bir [Docker konteynerine](https://www.docker.com/resources/what-container) dahil edebilirsiniz.
+Bir konteyner, etkili bir şekilde izole edilmiş bir ortam sağlar ve konteynerin nerede dağıtıldığına bağlı olarak tutarlı bir çalışma zamanı sağlar.
+Modelinizi ve kodunuzu konteynerleştirmek, modelinizi hızlı ve güvenilir bir şekilde dağıtmanızı sağlar.
+
+**SageMaker Inference Toolkit** makine öğrenimi modeli sunan bir yığını uygular ve herhangi bir Docker konteynerine kolayca ekleyebilir, böylece [SageMaker'a](https://aws.amazon.com/sagemaker/deploy/) dağıtılabilir hale getirir.
+Bu kitaplığın sunum yığını, [Multi Model Server](https://github.com/awslabs/multi-model-server) üzerine inşa edilmiştir ve kendi modellerinizi veya [SageMaker'da eğittiğiniz makine öğrenimi çerçevelerini](https://docs.aws.amazon.com/sagemaker/latest/dg/frameworks.html) sunabilir.
+[Önceden oluşturulmuş SageMaker Docker görüntüsü](https://docs.aws.amazon.com/sagemaker/latest/dg/pre-built-containers-frameworks-deep-learning.html) kullanıyorsanız, bu kitaplık zaten dahil edilmiş olabilir.
+
+Daha fazla bilgi için, Amazon SageMaker Geliştirici Kılavuzu'ndaki [Multi Model Server ile kendi konteynerinizi oluşturma](https://docs.aws.amazon.com/sagemaker/latest/dg/build-multi-model-build-container.html) ve [kendi modellerinizi kullanma](https://docs.aws.amazon.com/sagemaker/latest/dg/your-algorithms.html) bölümlerine bakın.
+
+## :hammer_and_wrench: Kurulum
+
+Bu kitaplığı Docker görüntünüze kurmak için, aşağıdaki satırı [Dockerfile](https
+
+://docs.docker.com/engine/reference/builder/) dosyanıza ekleyin:
+
+``` dockerfile
+RUN pip3 install multi-model-server sagemaker-inference
+```
+
+SageMaker Inference Toolkit'i kurulu olan bir Dockerfile örneği için [buraya](https://github.com/awslabs/amazon-sagemaker-examples/blob/master/advanced_functionality/multi_model_bring_your_own/container/Dockerfile) göz atabilirsiniz.
+
+## :computer: Kullanım
+
+### Uygulama Adımları
+
+SageMaker Inference Toolkit'i kullanmak için aşağıdaki adımları uygulamanız gerekmektedir:
+
+1.  Model yükleme ve giriş, tahmin ve çıktı işlevlerini sağlama sorumluluğunu üstlenen bir çıkarım işleyici (inference handler) uygulayın.
+    ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/default_pytorch_inference_handler.py) bir çıkarım işleyici örneği.)
+
+    ``` python
+    from sagemaker_inference import content_types, decoder, default_inference_handler, encoder, errors
+
+    class DefaultPytorchInferenceHandler(default_inference_handler.DefaultInferenceHandler):
+
+        def default_model_fn(self, model_dir, context=None):
+            """Bir model yükler. PyTorch için, bir modeli yüklemek için varsayılan bir işlev sağlanamaz.
+            Kullanıcılar, özel bir model_fn() işlevi sağlamalıdır.
+
+            Args:
+                model_dir: modelin kaydedildiği bir dizin.
+                context (obj): istek bağlamı (varsayılan: None).
+
+            Returns: Bir PyTorch modeli.
+            """
+            raise NotImplementedError(textwrap.dedent("""
+            Lütfen bir model_fn uygulaması sağlayın.
+            model_fn hakkında belgeler için https://github.com/aws/sagemaker-python-sdk adresine bakın.
+            """))
+
+        def default_input_fn(self, input_data, content_type, context=None):
+            """JSON, CSV ve NPZ formatlarını işleyebilen varsayılan bir input_fn.
+
+            Args:
+                input_data: içerik türü formatında seri hale getirilmiş istek verisi
+                content_type: istek içerik türü
+                context (obj): istek bağlamı (varsayılan: None).
+
+            Returns: torch.FloatTensor veya cuda kullanılabilirse torch.cuda.FloatTensor formatına dönüştürülmüş input_data.
+            """
+            return decoder.decode(input_data, content_type)
+
+        def default_predict_fn(self, data, model, context=None):
+            """PyTorch için varsayılan bir predict_fn. input_fn tarafından deserialize edilen veri üzerinde bir modeli çağırır.
+            Tahminlemeyi cuda kullanılabilirse GPU üzerinde çalıştırır.
+
+            Args:
+                data: input veri (torch.Tensor), input_fn tarafından deserialize edilmiştir
+                model: model_fn tarafından belleğe yüklenen PyTorch modeli
+                context (obj): istek bağlamı (varsayılan: None).
+
+            Returns: bir tahmin
+            """
+            return model(input_data)
+
+        def default_output_fn(self, prediction, accept, context=None):
+            """
+
+PyTorch için varsayılan bir output_fn. predict_fn tarafından elde edilen tahminleri JSON, CSV veya NPY formatına serialize eder.
+
+            Args:
+                prediction: predict_fn tarafından elde edilen bir tahmin sonucu
+                accept: çıktı verisinin serialize edilmesi gereken tür
+                context (obj): istek bağlamı (varsayılan: None).
+
+            Returns: serialize edilmiş çıktı verisi
+            """
+            return encoder.encode(prediction, accept)
+    ```
+    Not: Çıkarım işleyici fonksiyonlarına argüman olarak bağlam (context) geçmek isteğe bağlıdır. İstemci, bağlamı işlev bildiriminden çıkarabilirse çalışma zamanında kullanmayı tercih edebilir. Örneğin, aşağıdaki işleyici fonksiyon bildirimleri de işe yarar olacaktır:
+
+    ```
+    def default_model_fn(self, model_dir)
+
+    def default_input_fn(self, input_data, content_type)
+
+    def default_predict_fn(self, data, model)
+
+    def default_output_fn(self, prediction, accept)
+    ``` 
+
+2.  Model sunucusu tarafından yürütülen bir işleyici hizmeti uygulayın.
+    ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/handler_service.py) bir işleyici hizmeti örneği.)
+    `HANDLER_SERVICE` dosyasını nasıl tanımlayacağınız hakkında daha fazla bilgi için [MMS özel hizmet belgelerine](https://github.com/awslabs/multi-model-server/blob/master/docs/custom_service.md) bakın.
+
+    ``` python
+    from sagemaker_inference.default_handler_service import DefaultHandlerService
+    from sagemaker_inference.transformer import Transformer
+    from sagemaker_pytorch_serving_container.default_inference_handler import DefaultPytorchInferenceHandler
+
+
+    class HandlerService(DefaultHandlerService):
+        """Model sunucusu tarafından yürütülen bir işleyici hizmeti.
+        Kullanılan modelle ilgili belirli varsayılan çıkarım işleyicilerini belirler.
+        Bu sınıf, aşağıdakileri tanımlayan ``DefaultHandlerService``'den türetilir:
+            - ``handle`` yöntemi, model sunucusuna gelen tüm giriş çıkarım istekleri için çağrılır.
+            - ``initialize`` yöntemi, model sunucusu başlatıldığında çağrılır.
+        Kaynak: https://github.com/awslabs/multi-model-server/blob/master/docs/custom_service.md
+        """
+        def __init__(self):
+            transformer = Transformer(default_inference_handler=DefaultPytorchInferenceHandler())
+            super(HandlerService, self).__init__(transformer=transformer)
+    ```
+
+3.  Model sunucusunu başlatan bir hizmet giriş noktası uygulayın.
+    ([İşte bir örnek](https://github.com/aws/sagemaker-pytorch-serving-container/blob/master/src/sagemaker_pytorch_serving_container/serving.py) bir hizmet giriş noktası örneği.)
+
+    ``` python
+
+
+    from sagemaker_inference.default_inference_handler import DefaultInferenceHandler
+    from sagemaker_pytorch_serving_container.default_handler_service import DefaultHandlerService
+
+
+    def main():
+        handler_service = DefaultHandlerService()
+        handler_service.initialize()
+        handler = DefaultInferenceHandler()
+        handler_service.handle(data, context)
+    ```
+
+4.  Model sunucusunu Docker konteynerinde çalıştırın ve etkinleştirin.
+    ([İşte bir örnek](https://github.com/awslabs/amazon-sagemaker-examples/blob/master/advanced_functionality/multi_model_bring_your_own/container/dockerd-entrypoint.py) bir Docker giriş noktası örneği.)
+
+    ``` python
+    import sys
+
+    from sagemaker_inference import log, utils
+
+    from sagemaker_pytorch_serving_container import handler_service, serving
+    from sagemaker_pytorch_serving_container.default_inference_handler import DefaultInferenceHandler
+
+
+    if __name__ == "__main__":
+        if len(sys.argv) < 2 or sys.argv[1] not in ("serve", "train"):
+            raise ValueError(
+                'Invalid argument. Please use "serve" or "train" as the first argument.'
+            )
+
+        if sys.argv[1] == "serve":
+            # Serve the model
+            serving.main()
+        elif sys.argv[1] == "train":
+            # Train the model
+            pass
+    ```
+
+    Not: `if __name__ == "__main__":` kontrolü ile `train` veya `serve` komutlarına dayalı olarak modelin eğitimi veya sunulması sağlanır.
+
+Bu adımları uyguladıktan sonra, model sunucusu Docker konteynerinde çalışacak ve SageMaker tarafından çağrılan çıkarım işleyicileri ve hizmetlerini kullanacaktır.
+
+Umarım bu bilgiler yararlı olur! Başka sorularınız varsa, yardımcı olmaktan mutluluk duyarım.