الدرس 1 من 2 · الرياضيات التطبيقية ومعالجة الإشارات
الالتفاف المتقطع والطبقات الالتفافية Discrete Convolution and Convolutional Layers
الالتفاف يمرر نواة صغيرة على الإشارة ويجمع حواصل الضرب؛ ما تسميه مكتبات التعلم العميق «التفافاً» هو في الحقيقة ارتباط تقاطعي (بلا قلب النواة)، وطول المخرج يحدده الحشو والخطوة بالصيغة ⌊(n + 2p − k)/s⌋ + 1.
محتويات الدرس
1 مقدمة
حين تمرر مرشحاً على صورة لكشف الحواف، أو تحسب متوسطاً متحركاً لسلسلة أسعار، فأنت تجري التفافاً. وهو العملية التي أعطت الشبكات الالتفافية CNN اسمها، والفكرة نفسها تعمل على الصوت والنصوص والسلاسل الزمنية.
الأهداف التعليمية
- حساب الالتفاف المتقطع يدوياً بأنماطه الثلاثة
- التمييز بين الالتفاف والارتباط التقاطعي
- حساب طول المخرج مع الحشو والخطوة
- تفسير مشاركة الأوزان والتكافؤ مع الإزاحة
2 لماذا ندرس هذا الموضوع؟
الطبقة الالتفافية تستخدم النواة نفسها في كل موقع (مشاركة الأوزان)، فتحتاج معاملات أقل بكثير من طبقة كاملة الاتصال، وتكشف النمط نفسه أينما ظهر (التكافؤ مع الإزاحة). وحساب طول المخرج بدقة شرط أساسي لتصميم أي معمارية CNN دون أخطاء في الأبعاد.
3 الشرح النظري
التعريف
الالتفاف المتقطع لإشارة x ونواة w:
\[(x * w)[n] = \sum_m x[m]\,w[n - m]\]
أي أننا نقلب النواة ثم نمررها على الإشارة ونجمع حواصل الضرب. للإشارة \((1, 2, 3, 4)\) والنواة \((1, 0, -1)\) يكون الالتفاف الكامل \((1, 2, 2, 2, -3, -4)\) بطول \(n + k - 1 = 6\).
الأنماط الثلاثة
| النمط | الطول | المعنى |
|---|---|---|
| full | \(n + k - 1\) | كل تداخل ولو جزئي |
| same | \(n\) | بطول المدخل نفسه |
| valid | \(n - k + 1\) | تداخل كامل فقط |
الارتباط التقاطعي
الطبقة Conv في PyTorch وTensorFlow تحسب في الواقع الارتباط التقاطعي، أي بلا قلب النواة:
\[(x \star w)[n] = \sum_m x[n + m]\,w[m]\]
للمثال نفسه بنمط valid يكون الناتج \((-2, -2)\). ولا فرق عملياً في التعلم لأن النواة متعلَّمة؛ لو احتاجت الشبكة النواة المقلوبة لتعلمتها.
الحشو والخطوة
الحشو p يضيف أصفاراً على الطرفين، والخطوة s تقفز بمقدار s بين المواقع. طول المخرج:
\[n_{\text{out}} = \left\lfloor \frac{n + 2p - k}{s} \right\rfloor + 1\]
أمثلة: \(n = 32, k = 3, p = 1, s = 1 \Rightarrow 32\) (الحجم محفوظ). \(n = 32, k = 5, p = 0, s = 2 \Rightarrow 14\). وأول طبقة في ResNet: \(n = 224, k = 7, p = 3, s = 2 \Rightarrow 112\).
لماذا الالتفاف في الشبكات؟
- مشاركة الأوزان: نواة 3×3 لها 9 أوزان مهما كبرت الصورة.
- التكافؤ مع الإزاحة: إزاحة المدخل تزيح المخرج بالمقدار نفسه.
- الاتصال المحلي: كل مخرج يعتمد على جوار صغير، وتكديس الطبقات يوسع مجال الاستقبال.
4 التعريفات الرياضية
- الالتفاف
- جمع حواصل ضرب الإشارة في النواة المقلوبة المزاحة.\[(x*w)[n]=\sum_m x[m]w[n-m]\]
- الارتباط التقاطعي
- مثل الالتفاف لكن دون قلب النواة، وهو ما تحسبه طبقات Conv في المكتبات.\[(x\star w)[n]=\sum_m x[n+m]w[m]\]
- الحشو
- إضافة قيم (عادة أصفار) حول المدخل للتحكم في طول المخرج.
- الخطوة
- مقدار انتقال النواة بين موقعين متتاليين.
- الالتفاف (Convolution)
- عملية تمرير نواة مقلوبة على الإشارة وجمع حواصل الضرب، وأساس الشبكات الالتفافية.\[(x*w)[n]=\sum_m x[m]w[n-m]\]
- الارتباط التقاطعي (Cross-Correlation)
- الالتفاف دون قلب النواة، وهو ما تحسبه طبقات Conv.\[(x\star w)[n]=\sum_m x[n+m]w[m]\]
- طول مخرج الالتفاف (Convolution Output Size)
- يحدده طول المدخل والنواة والحشو والخطوة.\[n_{out}=\lfloor\frac{n+2p-k}{s}\rfloor+1\]
5 المعادلات
6 مثال محلول خطوة بخطوة
التفاف كامل
المسألة: احسب \((1, 2, 3, 4) * (1, 0, -1)\) بنمط full.
- \(y[0] = 1\cdot1 = 1\).
- \(y[1] = 2\cdot1 + 1\cdot0 = 2\).
- \(y[2] = 3 + 0 - 1 = 2\)، وهكذا.
النتيجة: \((1, 2, 2, 2, -3, -4)\)
ارتباط تقاطعي valid
المسألة: احسب الارتباط التقاطعي للإشارة نفسها مع \((1, 0, -1)\) بنمط valid.
- الموقع 0: \(1\cdot1 + 2\cdot0 + 3\cdot(-1) = -2\).
- الموقع 1: \(2 - 4 = -2\).
النتيجة: \((-2, -2)\): النواة تكشف تزايد الإشارة
طول المخرج
المسألة: صورة 224×224 ونواة 7×7 وحشو 3 وخطوة 2. ما حجم المخرج؟
- \((224 + 6 - 7)/2 = 111.5\).
- نأخذ الجزء الصحيح ونضيف 1.
النتيجة: \(112 \times 112\)
عدد المعاملات
المسألة: طبقة التفافية 3×3 من 64 قناة إلى 128 قناة مع انحياز. كم معاملاً فيها؟
- \(3 \cdot 3 \cdot 64 \cdot 128 = 73728\).
- نضيف 128 انحيازاً.
النتيجة: \(73856\) معاملاً
7 تطبيق عملي في الذكاء الاصطناعي
- الشبكات الالتفافية: كل طبقة Conv تحسب ارتباطات تقاطعية متعددة القنوات، وتتعلم مرشحات تكشف الحواف ثم الأنسجة ثم الأجزاء.
- معالجة الصوت: نماذج مثل WaveNet تستخدم التفافات أحادية البعد متوسعة على الموجة الصوتية.
- السلاسل الزمنية: المتوسط المتحرك التفاف بنواة ثابتة، والشبكات الالتفافية الزمنية TCN تتعلم النوى.
8 مختبر تفاعلي مرتبط بالدرس
الالتفاف المتقطع بأنماطه الثلاثة والارتباط التقاطعي كما في طبقات CNN مع الحشو والخطوة وطول المخرج، وتحويل فورييه المتقطع لإشارة مركبة من ترددات، والاستجابة الترددية لمرشحات بسيطة.
افتح مختبر الإشارات والالتفاف9 تمارين تدريبية
أسئلة مراجعة للتفكير
- ما الفرق بين الالتفاف والارتباط التقاطعي، ولماذا لا يهم في التعلم؟
- كيف تختار p لتحفظ الحجم مع نواة 5 وخطوة 1؟
أخطاء شائعة
- نسيان أن الالتفاف الرياضي يقلب النواة بخلاف طبقات المكتبات.
- حساب طول المخرج دون أخذ الجزء الصحيح.
- الخلط بين عدد المعاملات وعدد العمليات الحسابية.
- افتراض أن نمط same يحفظ الحجم مع خطوة أكبر من 1.
10 ملخص الدرس
- الالتفاف = قلب النواة ثم التمرير والجمع.
- طبقات Conv تحسب الارتباط التقاطعي.
- طول المخرج \(\lfloor (n + 2p - k)/s \rfloor + 1\).
- مشاركة الأوزان والتكافؤ مع الإزاحة هما سر كفاءة CNN.
11 اختبار قصير
5 أسئلة · 10 دقائق · النجاح من 60% — اجتيازه يُكمل الدرس.
