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 الزمنيةمتحف 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

مبتدئالأساسياتالشبكات التوليدية

المشفّر التلقائي (AE)

Autoencoder

شبكة تضغط الدخل إلى تمثيل كامن صغير (encoder) ثم تعيد بناءه (decoder)، فتتعلم تمثيلاً مضغوطاً دون تسميات.

نظرة عامة

الاسمالمشفّر التلقائي – Autoencoder
سنة الظهور2006
الباحثونGeoffrey E. Hinton، Ruslan R. Salakhutdinov
الورقة الأصليةReducing the dimensionality of data with neural networks DOI
نوع البياناتصور، بيانات جدولية، تسلسلات وسلاسل زمنية
المجالاتالتنبؤ بالسلاسل الزمنية، الرؤية الحاسوبية، تحليل الصور الطبية

المشكلة التي تحلها

الحاجة إلى تقليل الأبعاد بطريقة غير خطية تتجاوز تحليل المكوّنات الرئيسية (PCA)، وإلى تعلّم تمثيلات من بيانات غير معنونة.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، PCA

  1. 2006

    أظهر Hinton وSalakhutdinov أن المشفرات العميقة تتفوق على PCA في تقليل الأبعاد بعد تهيئة مسبقة طبقة بطبقة. [مرجع]

  2. 2014

    جعلت VAE المشفّر التلقائي نموذجاً توليدياً احتمالياً. [مرجع]

الفكرة الأساسية

يتكون من دالتين: $z=f_\phi(x)$ تضغط الدخل و$\hat{x}=g_\theta(z)$ تعيد بناءه. الاختناق (bottleneck) يجبر الشبكة على الاحتفاظ بالمعلومات الأهم فقط. التدريب يقلل خطأ إعادة البناء.

مثال: صورة 28×28 (784 قيمة) تضغط إلى 16 قيمة ثم تعاد. إذا كان خطأ إعادة البناء لصورة جديدة كبيراً جداً، فقد تكون شاذة (anomaly).

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Input$x\in\mathbb{R}^{d}$
Encoderطبقات تقلّص الأبعاد
Latent Codeتمثيل $z\in\mathbb{R}^{k}$ حيث $k\ll d$
Decoderطبقات توسّع الأبعاد
Loss FunctionMSE أو BCE لإعادة البناء

المعادلات

1. خسارة إعادة البناء

$$\mathcal{L}(\phi,\theta)=\frac{1}{N}\sum_{n=1}^{N}\left\|x_n-g_\theta(f_\phi(x_n))\right\|_2^2$$

الرموز
$f_\phi$المشفّر
$g_\theta$فك التشفير
الأبعاد
عدد قياسي
مثال عددي
$x=(1,0)$ و$\hat{x}=(0.8,0.1)$ ⇒ $\|x-\hat x\|^2=0.04+0.01=0.05$.
علاقتها بالمعمارية
هي الهدف الوحيد للتدريب في المشفّر التلقائي العادي.

آلية العمل خطوة بخطوة

  1. يدخل المتجه إلى المشفّر.
  2. تُقلّص الأبعاد تدريجياً حتى الاختناق.
  3. يوسّع فك التشفير التمثيل الكامن.
  4. يُقارن الخرج بالدخل ويحسب الخطأ.
  5. تُحدَّث أوزان الجزأين معاً.

المزايا والقيود

المزايا

  • لا يحتاج تسميات.
  • مفيد لتقليل الأبعاد وكشف الشذوذ وإزالة الضوضاء.

القيود

  • الفضاء الكامن غير منتظم، فلا يصلح مباشرة للتوليد.
  • قد يتعلم الهوية إن لم يكن الاختناق كافياً.

متى تُستخدم؟ ومتى لا؟

تناسب

  • كشف الشذوذ في إشارات أو صور.
  • تهيئة تمثيلات لمهام لاحقة.

لا تناسب

  • توليد عيّنات جديدة واقعية (استخدم VAE أو Diffusion).

التطبيقات

المجالالاستخدام
تحليل الصور الطبيةكشف الحالات الشاذة في الصور الطبية بخطأ إعادة البناء.
التنبؤ بالسلاسل الزمنيةكشف الأعطال في إشارات المستشعرات.
الرؤية الحاسوبيةإزالة الضوضاء من الصور (Denoising AE).

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# Autoencoder
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
class AE(nn.Module):
    def __init__(self, d=20, k=3):
        super().__init__()
        self.enc = nn.Sequential(nn.Linear(d, 16), nn.ReLU(), nn.Linear(16, k))
        self.dec = nn.Sequential(nn.Linear(k, 16), nn.ReLU(), nn.Linear(16, d))
    def forward(self, x):
        return self.dec(self.enc(x))

# 3) إعداد البيانات
# بيانات تقع قرب فضاء جزئي ثلاثي الأبعاد داخل 20 بُعداً
basis = torch.randn(3, 20)
X = torch.randn(800, 3) @ basis + 0.05 * torch.randn(800, 20)
X_train, X_test = X[:640], X[640:]
y_train, y_test = X_train, X_test        # الهدف هو الدخل نفسه
model = AE()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 40, 32
for epoch in range(EPOCHS):
    model.train()
    perm = torch.randperm(len(X_train))
    total = 0.0
    for i in range(0, len(X_train), BATCH):
        idx = perm[i:i + BATCH]
        xb, yb = X_train[idx], y_train[idx]
        out = model(xb)                       # Forward Pass
        loss = loss_fn(out, yb)
        opt.zero_grad()
        loss.backward()                    # Backpropagation
        opt.step()
        total += loss.item() * len(idx)
    if epoch % max(1, EPOCHS // 4) == 0 or epoch == EPOCHS - 1:
        print(f"epoch {epoch:3d}  loss={total / len(X_train):.4f}")

# 6) التقييم (Evaluation)
model.eval()
with torch.no_grad():
    xb = X_test
    out = model(xb)
    mse = F.mse_loss(out, y_test).item()
    print(f"test MSE = {mse:.4f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("prediction:", out.squeeze().tolist())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.3 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test MSE = 0.0028

عدد المعاملات القابلة للتدريب في المثال: model = 791.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

متوسط2014

المشفّر التلقائي التبايني

Variational Autoencoder (VAE)

نموذج توليدي احتمالي بمتغير كامن: مشفّر يقدّر توزيعاً تقريبياً q(z x) ومفكك يمثل p(x z)، ويُدرّبان معاً بتعظيم الحد الأدنى للأدلة (ELBO) باستخدام خدعة إعادة المعلمة.

الشبكات التوليدية

متقدم2017

المشفّر التلقائي بالتكميم المتجهي

Vector Quantized Variational Autoencoder (VQ-VAE)

مشفّر تلقائي يكمّم خرج المشفّر إلى أقرب متجه في قاموس متعلَّم (codebook)، فيصبح التمثيل رموزاً منفصلة، ثم يُتعلَّم توزيع مسبق ذاتي الانحدار على هذه الرموز للتوليد.

الشبكات التوليدية

أساسي2015

يو-نت

U-Net

معمارية تجزئة على شكل حرف U: مسار تقليص يلتقط السياق، ومسار توسيع يستعيد الدقة المكانية، مع وصلات تخطٍّ تنقل التفاصيل الدقيقة بين المستويات المتقابلة.

الأساسياتالمعماريات الهجينة

أفكار بحثية

  • مشفرات تلقائية لكشف الشذوذ في صور الرنين المغناطيسي مع مقارنة بنماذج الانتشار.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    ما هدف تدريب المشفّر التلقائي العادي؟

  2. مفهوم

    لماذا يصعب توليد عيّنات جديدة من AE عادي؟

  3. مفهوم

    كيف يُستخدم AE لكشف الشذوذ؟

المراجع

  1. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. https://doi.org/10.1126/science.1127647

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Kingma, D. P., & Welling, M. (2014). Auto-encoding variational Bayes. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1312.6114

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20