كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

خريطة Grad-CAM لشبكة التفافية

تطبيقيالتفسير والذكاء الاصطناعي القابل للتفسيرتفسير الصور الطبية

الهدف: إظهار المناطق التي اعتمدت عليها الشبكة في قرارها.

Python — example.py
import torch
from torch import nn
from captum.attr import LayerAttribution, LayerGradCam

torch.manual_seed(0)
net = nn.Sequential(nn.Conv2d(1, 8, 3, padding=1), nn.ReLU(), nn.Conv2d(8, 16, 3, padding=1), nn.ReLU(),
                    nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(16, 2)).eval()
img = torch.rand(1, 1, 64, 64)
cam = LayerGradCam(net, net[2]).attribute(img, target=1)
up = LayerAttribution.interpolate(cam, (64, 64))
print("شكل خريطة الطبقة:", tuple(cam.shape), "→ بعد التكبير:", tuple(up.shape))
print(f"المجال: [{up.min().item():.4f}, {up.max().item():.4f}]")

شرح الكود

LayerGradCam يأخذ آخر طبقة التفافية، ويوزن خرائط السمات بمتوسط تدرجاتها، ثم نكبّر الخريطة إلى حجم الصورة. هنا نستخدم شبكة غير مدربة لتوضيح الأبعاد؛ مع نموذجك المدرب تُعرض الخريطة فوق الصورة الطبية.

المتطلبات

Shell
pip install captum torch

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

شكل خريطة الطبقة: (1, 1, 64, 64) → بعد التكبير: (1, 1, 64, 64)
المجال: [-0.0000, 0.0000]

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — captum 0.9.0, torch 2.15.0, python 3.13.18

المكتبات المستخدمة

أمثلة قريبة

متوسطSHAPنُفّذ واختُبر

تفسير نموذج أشجار بقيم SHAP

معرفة السمات الأكثر تأثيراً عالمياً ولعينة واحدة.

التفسير والذكاء الاصطناعي القابل للتفسير · تفسير النماذج

مبتدئLIMEنُفّذ واختُبر

تفسير محلي لتنبؤ واحد بـ LIME

معرفة لماذا صنّف النموذج عينة معينة.

التفسير والذكاء الاصطناعي القابل للتفسير · تفسير النماذج