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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

مختبر الرؤية الحاسوبية الدروس بنية الشبكات العصبية الالتفافية

بنية الشبكات العصبية الالتفافية

CNN architecture

كيف تُبنى CNN من طبقات التفاف وتنشيط وتجميع ورأس تصنيف، ولماذا تتعلم سمات هرمية.

متوسط40 دقيقةالشبكات العصبية الالتفافيةالالتفاف والشبكات العصبية

هذا المحتوى أُعدّ آلياً من مصادر موثقة ولم تكتمل مراجعته العلمية البشرية بعد. إن وجدت خطأً فأبلغنا.

المقدمة

CNN تتعلم المرشحات بنفسها بدل تصميمها يدوياً، وهذا ما جعلها تتفوق في الرؤية منذ 2012.

الأهداف التعليمية

  • فهم مكونات CNN.
  • تفسير السمات الهرمية.
  • ربط الطبقات الأخيرة بالتصنيف.

المتطلبات السابقة

الالتفاف، الحشو والخطوة، دوال التنشيط.

الشرح العلمي

تتكون CNN من كتل (التفاف ← تطبيع ← تنشيط) تتخللها عمليات تصغير. الطبقات الأولى تتعلم حوافاً وألواناً، والوسطى أنماطاً وأجزاء، والأخيرة أجزاء أجسام كاملة كما أظهر Zeiler وFergus. في النهاية يحول التجميع العام كل قناة إلى رقم، وتعطي طبقة خطية درجات الفئات.

المعادلات الرياضية

عدد معلمات طبقة التفاف = k × k × C_in × C_out + C_out.

مثال عملي

الكتلة الأولى في MobileNetV2 تخرج 16 قناة بدقة 112×112؛ يعرضها المختبر على صورتك، وبعض القنوات تستجيب للحواف وأخرى للمناطق الملونة.

خطوات التنفيذ

  1. في مختبر الالتفاف اضغط «اعرض خرائط السمات المتعلَّمة».
  2. قارن القنوات الست عشرة.
  3. غيّر الصورة ولاحظ التغير.

النتائج المتوقعة

خرائط متنوعة: بعضها يشبه كاشف الحواف وبعضها يبرز الخلفية.

الأخطاء الشائعة

الظن أن كل قناة تمثل مفهوماً بشرياً واضحاً، أو تجاهل أثر المعالجة المسبقة.

التطبيقات العملية

التصنيف، الاكتشاف، التجزئة، استخراج السمات للنقل التعلمي.

المراجع

  1. Y. LeCun, L. Bottou, Y. Bengio, P. Haffner (1998).Gradient-based learning applied to document recognition. Proceedings of the IEEE 86(11). doi:10.1109/5.726791
  2. A. Krizhevsky, I. Sutskever, G. E. Hinton (2017).ImageNet classification with deep convolutional neural networks. Communications of the ACM 60(6) (NeurIPS 2012). doi:10.1145/3065386
  3. M. D. Zeiler, R. Fergus (2014).Visualizing and Understanding Convolutional Networks. ECCV 2014 (LNCS 8689). doi:10.1007/978-3-319-10590-1_53

تجارب مرتبطة

خوارزميات مرتبطة

جرّب في الالتفاف والشبكات العصبية