MobileNet
موبايل نت
شبكة التفافية خفيفة للأجهزة المحمولة تستبدل الالتفاف العادي بالتفاف منفصل عمقياً (عمقي ثم نقطي) يقلل الحساب بنحو 8–9 مرات.
موسوعة عربية تفاعلية لمعماريات التعلم العميق: مخطط تفاعلي لكل تكوين، ومعادلات، وحسابات Parameters و MACs موثقة، ومقارنات، ومراجع أصلية. كل رقم مربوط بتكوين محدد ومصدره.
موبايل نت
شبكة التفافية خفيفة للأجهزة المحمولة تستبدل الالتفاف العادي بالتفاف منفصل عمقياً (عمقي ثم نقطي) يقلل الحساب بنحو 8–9 مرات.
يولو (أنت تنظر مرة واحدة فقط)
كاشف أجسام بمرحلة واحدة يعيد صياغة الكشف كمسألة انحدار: شبكة واحدة تتنبأ بالصناديق والفئات لكل خلايا الصورة في تمرير واحد.
إفيشنت نت
عائلة شبكات التفافية تبدأ من شبكة أساسية (B0) وُجدت بالبحث المعماري، ثم تُكبَّر بالتحجيم المركب للعمق والعرض والدقة معاً.
محوّل الرؤية
تطبيق مشفّر المحوّل القياسي مباشرة على تسلسل من رقع الصورة، دون التفافات تقريباً، مع تدريب مسبق على بيانات ضخمة.
محوّل الصور كفء البيانات
طريقة لتدريب ViT على ImageNet-1k وحده بنتائج تنافسية، باستخدام زيادة بيانات قوية وتقطير عبر رمز تقطير خاص.
كليب
مشفّر صور ومشفّر نص يُدرَّبان معاً بخسارة تباينية على 400 مليون زوج صورة-نص، فيتعلمان فضاءً مشتركاً يتيح التصنيف دون أمثلة تدريب.
محوّل سوين
محوّل رؤية هرمي يحسب الانتباه داخل نوافذ محلية مزاحة بالتناوب، فيصبح الحساب خطياً في حجم الصورة ويناسب المهام الكثيفة.
يو-نت
شبكة التفافية كاملة على شكل حرف U تجمع مساراً متقلصاً يلتقط السياق ومساراً متمدداً يستعيد الدقة، مع اتصالات تخطٍّ تنقل التفاصيل.
لافا
مساعد متعدد الوسائط يربط مشفّر رؤية CLIP بنموذج لغوي كبير عبر إسقاط بسيط، ويُضبط بتعليمات بصرية مولَّدة آلياً.
أليكس نت
شبكة التفافية عميقة فازت بمسابقة ImageNet ILSVRC-2012 بفارق كبير، وأطلقت موجة التعلم العميق في الرؤية الحاسوبية.
البيرسبترون
أول نموذج عصبي قابل للتعلم من الأمثلة: يجمع المدخلات بأوزان ثم يطبق دالة عتبة لإخراج فئة ثنائية.
الشبكة العصبية متعددة الطبقات
شبكة أمامية من طبقات كاملة الاتصال بينها دوال تنشيط غير خطية، تُدرَّب بالانتشار العكسي للخطأ.
شبكة دوال الأساس الشعاعي
شبكة من طبقة مخفية واحدة تستجيب كل وحدة فيها للمسافة بين المدخل ومركز خاص بها، ثم يُركَّب المخرج خطياً.
لي-نت 5
شبكة التفافية مبكرة لتمييز الأرقام المكتوبة يدوياً، جمعت الالتفاف والتجميع الفرعي والطبقات الكاملة في معمارية واحدة تُدرَّب بالانتشار العكسي.
أليكس نت
شبكة التفافية عميقة فازت بمسابقة ImageNet ILSVRC-2012 بفارق كبير، وأطلقت موجة التعلم العميق في الرؤية الحاسوبية.
في جي جي 16
شبكة التفافية عميقة موحدة التصميم تعتمد فقط على نوى 3×3 مكدسة، وأثبتت أن العمق عامل حاسم في الأداء.
جوجل نت (Inception v1)
شبكة التفافية بعمق 22 طبقة مبنية من وحدات Inception تعالج المدخل بعدة أحجام نوى متوازية، بمعاملات أقل بكثير من AlexNet و VGG.
الشبكة المتبقية ResNet
شبكات التفافية عميقة جداً تتعلم دوالاً متبقية F(x) = H(x) − x عبر اتصالات تخطٍّ، مما سمح بتدريب شبكات بمئات الطبقات.
الشبكة الكثيفة DenseNet
شبكة التفافية تتصل فيها كل طبقة داخل الكتلة بكل الطبقات السابقة عبر دمج خرائط السمات، فتعيد استخدام السمات بكفاءة.
موبايل نت
شبكة التفافية خفيفة للأجهزة المحمولة تستبدل الالتفاف العادي بالتفاف منفصل عمقياً (عمقي ثم نقطي) يقلل الحساب بنحو 8–9 مرات.
إفيشنت نت
عائلة شبكات التفافية تبدأ من شبكة أساسية (B0) وُجدت بالبحث المعماري، ثم تُكبَّر بالتحجيم المركب للعمق والعرض والدقة معاً.
الشبكة التكرارية البسيطة (Elman)
شبكة تحمل حالة مخفية من خطوة زمنية إلى التالية عبر وحدات سياق، فتستطيع معالجة تسلسلات بأطوال متغيرة.
الشبكة التكرارية ثنائية الاتجاه
شبكة تكرارية بطبقتين مخفيتين مستقلتين: واحدة تقرأ التسلسل للأمام وأخرى للخلف، فيرى كل موضع السياقين السابق واللاحق.
الذاكرة الطويلة قصيرة المدى
شبكة تكرارية بخلية ذاكرة وبوابات تتحكم في الكتابة والمحو والقراءة، فتتعلم اعتماديات تمتد لمئات الخطوات.
LSTM ثنائية الاتجاه
دمج خلايا LSTM مع الهيكل ثنائي الاتجاه، فيستفيد كل موضع من سياق طويل في الاتجاهين.
الوحدة التكرارية ذات البوابات
خلية تكرارية مبسطة ببوابتين (التحديث وإعادة الضبط) ودون حالة خلية منفصلة، بأداء قريب من LSTM ومعاملات أقل.
نموذج تسلسل إلى تسلسل
نموذج مشفّر-فك تشفير من LSTM عميقة يقرأ جملة كاملة ثم يولّد جملة أخرى بطول مختلف، دون محاذاة صريحة.
المحوّل
أول نموذج مشفّر-فك تشفير يعتمد كلياً على الانتباه دون تكرار أو التفاف، فيعالج كل مواضع التسلسل بالتوازي.
بيرت
مشفّر محوّل مدرَّب مسبقاً بإخفاء الكلمات على نصوص ضخمة، ينتج تمثيلات سياقية ثنائية الاتجاه تُضبط بدقة لمهام الفهم.
جي بي تي 1
فك تشفير محوّل يُدرَّب مسبقاً على التنبؤ بالكلمة التالية في نصوص طويلة ثم يُضبط بدقة لمهام الفهم بتحويل المدخلات إلى تسلسلات.
روبرتا
إعادة دراسة لتدريب BERT بينت أنه كان غير مدرَّب بما يكفي؛ بالمعمارية نفسها وتدريب أطول وبيانات أكثر تحسنت النتائج كثيراً.
ألبرت
نسخة خفيفة من BERT تقلل المعاملات كثيراً بتفكيك مصفوفة التضمين ومشاركة الأوزان بين كل الطبقات.
تي 5
إطار يحوّل كل مهام اللغة إلى صيغة «نص إلى نص» بنموذج مشفّر-فك تشفير واحد، مع دراسة منهجية لخيارات التدريب المسبق.
إكس إل نت
نموذج تدريب مسبق ذاتي الانحدار يعظّم الاحتمال المتوقع على كل ترتيبات التبديل للتسلسل، فيحصل على سياق ثنائي الاتجاه دون رمز [MASK].
يو-نت
شبكة التفافية كاملة على شكل حرف U تجمع مساراً متقلصاً يلتقط السياق ومساراً متمدداً يستعيد الدقة، مع اتصالات تخطٍّ تنقل التفاصيل.
يولو (أنت تنظر مرة واحدة فقط)
كاشف أجسام بمرحلة واحدة يعيد صياغة الكشف كمسألة انحدار: شبكة واحدة تتنبأ بالصناديق والفئات لكل خلايا الصورة في تمرير واحد.
محوّل الرؤية
تطبيق مشفّر المحوّل القياسي مباشرة على تسلسل من رقع الصورة، دون التفافات تقريباً، مع تدريب مسبق على بيانات ضخمة.
محوّل الصور كفء البيانات
طريقة لتدريب ViT على ImageNet-1k وحده بنتائج تنافسية، باستخدام زيادة بيانات قوية وتقطير عبر رمز تقطير خاص.
محوّل الكشف
كاشف أجسام من طرف إلى طرف يتنبأ بمجموعة الكشوف مباشرة بمحوّل واستعلامات متعلَّمة، دون مراسٍ ولا كبت للقيم غير العظمى.
محوّل سوين
محوّل رؤية هرمي يحسب الانتباه داخل نوافذ محلية مزاحة بالتناوب، فيصبح الحساب خطياً في حجم الصورة ويناسب المهام الكثيفة.
الشبكة التوليدية التنافسية
إطار توليدي تتنافس فيه شبكتان: مولّد يحوّل الضوضاء إلى عينات، ومميّز يحاول التفريق بين العينات الحقيقية والمولَّدة.
الشبكة التوليدية التنافسية المشروطة
توسيع GAN بإدخال معلومة شرطية y (مثل الفئة) إلى المولّد والمميّز معاً، للتحكم فيما يولَّد.
الشبكة التوليدية التنافسية الالتفافية العميقة
مجموعة قواعد معمارية تجعل GAN الالتفافية مستقرة التدريب، مع بيان أن المميّز يتعلم سمات مفيدة وأن الفضاء الكامن يحمل حساباً متجهياً ذا معنى.
الشبكة التنافسية الدورية
ترجمة الصور بين نطاقين دون أزواج تدريب متقابلة، بمولّدين متعاكسين وخسارة اتساق دوري تفرض أن تعود الصورة لأصلها بعد الترجمة ذهاباً وإياباً.
ستايل جان
مولّد GAN يعيد تصميم مسار الكامن: شبكة تعيين تنتج w، ثم يتحكم w في «أسلوب» كل طبقة عبر AdaIN، مع ضوضاء لكل بكسل للتفاصيل…
المشفّر التلقائي العميق
شبكة تتعلم ضغط المدخل إلى شفرة منخفضة الأبعاد ثم إعادة بنائه، ودُربت عميقاً لأول مرة بتهيئة طبقية مسبقة.
المشفّر التلقائي التبايني
نموذج توليدي احتمالي يتعلم مشفّراً يقرّب التوزيع اللاحق q(z|x) ومفككاً p(x|z)، ويدرَّب بتعظيم حد أدنى للدليل (ELBO) مع خدعة إعادة المعاملة.
بيتا-VAE
تعديل بسيط لـ VAE يضرب حد KL في β > 1، فيدفع النموذج إلى تمثيلات كامنة مفككة يمثل كل بُعد فيها عاملاً مستقلاً من…
نماذج الانتشار الاحتمالية لإزالة الضوضاء
نموذج توليدي يضيف ضوضاء غاوسية تدريجياً إلى البيانات عبر T خطوة، ويتعلم بشبكة U-Net عكس العملية خطوة بخطوة بالتنبؤ بالضوضاء.
نماذج الانتشار الضمنية لإزالة الضوضاء
عملية انتشار غير ماركوفية لها هدف التدريب نفسه في DDPM، لكنها تسمح بأخذ عينات حتمي وأسرع بكثير على تسلسل جزئي من الخطوات.
نماذج DDPM المحسَّنة
تحسينات على DDPM: تعلم تباين عملية العكس، وجدول ضوضاء جيبي، وخسارة هجينة، مما يحسن الاحتمال اللوغاريتمي ويسمح بخطوات أقل.
نموذج الانتشار الكامن
تنفيذ الانتشار في الفضاء الكامن لمشفّر تلقائي مدرب مسبقاً بدل فضاء البكسلات، مع انتباه متقاطع يجعل التوليد مشروطاً بالنص أو غيره.
الانتشار المستقر
نموذج انتشار كامن مفتوح الأوزان يولد صوراً 512×512 من وصف نصي، بمشفّر نص CLIP مجمَّد و U-Net كامنة و VAE.
الشبكة الالتفافية البيانية
طبقة التفاف بياني بسيطة مشتقة من تقريب من الدرجة الأولى للمرشحات الطيفية، تجمع تمثيلات الجيران بأوزان مطبَّعة بالدرجة.
شبكة الانتباه البيانية
طبقات بيانية تتعلم بالانتباه وزناً مختلفاً لكل جار بدل الأوزان الثابتة بالدرجة، مع انتباه متعدد الرؤوس.
جراف سيج
إطار استقرائي يتعلم دوال تجميع لسمات الجيران المأخوذين عينةً، فيولّد تضمينات لعقد جديدة لم ترها الشبكة أثناء التدريب.
شبكة التماثل البياني
شبكة بيانية بتجميع بالجمع و MLP، مثبتة نظرياً أنها بقوة اختبار Weisfeiler-Lehman في تمييز الرسوم غير المتماثلة، وهي أقصى قوة لهذه العائلة.
كليب
مشفّر صور ومشفّر نص يُدرَّبان معاً بخسارة تباينية على 400 مليون زوج صورة-نص، فيتعلمان فضاءً مشتركاً يتيح التصنيف دون أمثلة تدريب.
بليب
نموذج رؤية-لغة موحد يجمع الفهم والتوليد بثلاثة أهداف، ويحسّن بيانات الويب الصاخبة بتوليد أوصاف صناعية وتنقيتها (CapFilt).
لافا
مساعد متعدد الوسائط يربط مشفّر رؤية CLIP بنموذج لغوي كبير عبر إسقاط بسيط، ويُضبط بتعليمات بصرية مولَّدة آلياً.
لا توجد نتائج مطابقة في الأطلس.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا مساعد الأطلس. اسألني عن نموذج أو طبقة أو معادلة أو تطبيق، أو اطلب مقارنة بين نموذجين، وسأجيبك من سجلات الأطلس مع روابطها.
يجيب من قاعدة بيانات الأطلس فقط، دون أي نموذج لغوي خارجي، ولا يخترع أرقاماً أو مراجع.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.