معماريات الشبكات الالتفافية

خط زمني مختصر

المعمارية	السنة	الفكرة المميزة
LeNet-5	1998	التفاف + تجميع لتمييز الأرقام
AlexNet	2012	ReLU، Dropout، تدريب على GPU، فوز ImageNet
VGG	2014	مرشحات 3×3 متراكمة بعمق 16–19 طبقة
GoogLeNet / Inception	2014	مرشحات متوازية والتفاف 1×1
ResNet	2015	الوصلات المتبقية، شبكات بـ 50–152 طبقة وأكثر
MobileNet	2017	التفاف منفصل عمقياً للأجهزة المحمولة
EfficientNet	2019	تحجيم مركب للعمق والعرض والدقة

الكتلة المتبقية

$$\mathbf{y} = \mathcal{F}(\mathbf{x}, \{W_i\}) + \mathbf{x}$$

import torch.nn as nn

class BasicBlock(nn.Module):
    def __init__(self, ch):
        super().__init__()
        self.f = nn.Sequential(
            nn.Conv2d(ch, ch, 3, padding=1, bias=False), nn.BatchNorm2d(ch), nn.ReLU(),
            nn.Conv2d(ch, ch, 3, padding=1, bias=False), nn.BatchNorm2d(ch))
        self.act = nn.ReLU()
    def forward(self, x):
        return self.act(self.f(x) + x)

إذا كانت الطبقات الإضافية غير مفيدة، يكفي أن تتعلم \(\mathcal{F} \approx 0\) لتصبح الكتلة دالة هوية، وهذا أسهل من تعلم الهوية مباشرة.

اختيار المعمارية عملياً

from torchvision import models
m1 = models.resnet50(weights=models.ResNet50_Weights.DEFAULT)
m2 = models.efficientnet_b0(weights=models.EfficientNet_B0_Weights.DEFAULT)
m3 = models.mobilenet_v3_small(weights=models.MobileNet_V3_Small_Weights.DEFAULT)

• ResNet: خط أساس قوي وموثوق.
• EfficientNet: دقة جيدة لكل معامل.
• MobileNet: للأجهزة محدودة الموارد.

قارن دائماً على بياناتك، فترتيب الأداء على ImageNet لا ينتقل بالضرورة إلى مجالات أخرى.