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

أساسيالشبكات الزمنية والمتسلسلة

LSTM ثنائية الاتجاه (BiLSTM)

Bidirectional LSTM

طبقتان متكررتان تقرأ إحداهما التسلسل من البداية والأخرى من النهاية، وتُربط حالتاهما فيرى كل موضع سياقه السابق واللاحق.

نظرة عامة

الاسمLSTM ثنائية الاتجاه – Bidirectional LSTM
سنة الظهور1997
الباحثونMike Schuster، Kuldip K. Paliwal (RNN ثنائية الاتجاه)؛ Alex Graves، Jürgen Schmidhuber (BiLSTM، 2005)
الورقة الأصليةBidirectional recurrent neural networks DOI
نوع البياناتتسلسلات وسلاسل زمنية، نصوص
المجالاتالصوت والكلام، تحليل الصور الطبية، معالجة اللغة الطبيعية

المشكلة التي تحلها

في مهام مثل وسم الكلمات أو تصنيف الأصوات، يعتمد معنى العنصر على ما بعده أيضاً، والشبكة أحادية الاتجاه لا ترى المستقبل.

الخلفية والتطور

ما قبلها: الشبكة العصبية المتكررة، الذاكرة الطويلة قصيرة المدى

  1. 1997

    قدم Schuster وPaliwal الشبكات المتكررة ثنائية الاتجاه. [مرجع]

  2. 2005

    طبق Graves وSchmidhuber BiLSTM على تصنيف الأصوات على مستوى الإطار. [مرجع]

الفكرة الأساسية

تُحسب حالة أمامية $\overrightarrow{h}_t$ من البداية حتى t، وحالة خلفية $\overleftarrow{h}_t$ من النهاية حتى t، ثم تُربطان. لا تصلح للتنبؤ الحي بالمستقبل لأنها تحتاج التسلسل كاملاً.

مثال: في "قرأتُ الكتابَ الذي اشتريته أمس"، تحديد إعراب "الكتاب" يستفيد من الكلمات بعده وقبله.

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
Forward LSTMمن اليسار إلى اليمين
Backward LSTMمن اليمين إلى اليسار
Concatenationربط الحالتين
Output layerلكل موضع أو للتسلسل

المعادلات

1. ربط الاتجاهين

$$h_t=\left[\overrightarrow{h}_t\,;\,\overleftarrow{h}_t\right],\quad \overrightarrow{h}_t=\mathrm{LSTM}_f(x_t,\overrightarrow{h}_{t-1}),\quad \overleftarrow{h}_t=\mathrm{LSTM}_b(x_t,\overleftarrow{h}_{t+1})$$

الرموز
$\overrightarrow{h}_t$الحالة الأمامية
$\overleftarrow{h}_t$الحالة الخلفية
الأبعاد
$h_t\in\mathbb{R}^{2h}$
مثال عددي
مع $h=32$ يكون خرج كل موضع 64.
علاقتها بالمعمارية
يجمع السياقين لكل عنصر.

آلية العمل خطوة بخطوة

  1. تمر الشبكة الأمامية على التسلسل.
  2. تمر الشبكة الخلفية بالعكس.
  3. تُربط الحالتان لكل موضع.
  4. يطبق المصنف على كل موضع أو على تجميع.

المزايا والقيود

المزايا

  • سياق كامل لكل موضع.
  • تحسن واضح في مهام الوسم والتعرف على الكلام.

القيود

  • لا تصلح للتنبؤ الآني أو التوليد خطوة بخطوة.
  • ضعف الكلفة الحسابية لـ LSTM واحدة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • وسم الكلمات والتعرف على الكيانات.
  • تصنيف إشارات مسجلة كاملة.

لا تناسب

  • التنبؤ المستقبلي في الزمن الحقيقي.

التطبيقات

المجالالاستخدام
معالجة اللغة الطبيعيةالتعرف على الكيانات المسماة ووسم أجزاء الكلام.
الصوت والكلامتصنيف الأصوات على مستوى الإطار.
تحليل الصور الطبيةتصنيف نبضات ECG المسجلة.

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)
# Bidirectional LSTM — وسم لكل موضع
# 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 BiLSTMTagger(nn.Module):
    def __init__(self, d_in=1, h=32, n_tags=2):
        super().__init__()
        self.lstm = nn.LSTM(d_in, h, batch_first=True, bidirectional=True)
        self.out = nn.Linear(2 * h, n_tags)
    def forward(self, x):
        H, _ = self.lstm(x)                 # B×T×2h
        return self.out(H).transpose(1, 2)  # B×tags×T (شكل CrossEntropy للتسلسلات)

# 3) إعداد البيانات
# الوسم الصحيح لكل موضع: هل القيمة التالية أكبر من الحالية؟ (يتطلب رؤية المستقبل)
X = torch.randn(800, 20, 1)
nxt = torch.cat([X[:, 1:, 0], X[:, -1:, 0]], 1)
Y = (nxt > X[:, :, 0]).long()
X_train, y_train, X_test, y_test = X[:640], Y[:640], X[640:], Y[640:]
model = BiLSTMTagger()

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

# 5) حلقة التدريب
for epoch in range(15):
    model.train()
    for i in range(0, len(X_train), 64):
        loss = loss_fn(model(X_train[i:i + 64]), y_train[i:i + 64])
        opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 5 == 0: print(f"epoch {epoch}  loss={loss.item():.4f}")

# 6) التقييم (دقة على مستوى المواضع)
model.eval()
with torch.no_grad():
    acc = (model(X_test).argmax(1) == y_test).float().mean().item()
print(f"test accuracy = {acc:.3f}")

# 7) الاستدلال: أوسام أول 10 مواضع
with torch.no_grad():
    print("tags:", model(X_test[:1]).argmax(1)[0, :10].tolist())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 0.989

عدد المعاملات القابلة للتدريب في المثال: model = 9٬090.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي1997

الذاكرة الطويلة قصيرة المدى

Long Short-Term Memory (LSTM)

شبكة متكررة بخلية ذاكرة وبوابات (نسيان، إدخال، إخراج) تتحكم بما يُحفظ وما يُمحى، فتتعلم اعتماديات بعيدة أفضل بكثير من RNN البسيطة.

الشبكات الزمنية والمتسلسلة

أساسي2014

الوحدة المتكررة ذات البوابات

Gated Recurrent Unit (GRU)

تبسيط لـ LSTM ببوابتين فقط (تحديث وإعادة ضبط) ودون حالة خلية منفصلة، بأداء مقارب في كثير من المهام ومعاملات أقل.

الشبكات الزمنية والمتسلسلة

أساسي2017

المحوّل

Transformer

معمارية تعتمد بالكامل على الانتباه الذاتي متعدد الرؤوس بدلاً من التكرار أو الالتفاف، فتعالج كل مواضع التسلسل بالتوازي وتربط أي موضعين مباشرة بخطوة واحدة.

معماريات المحولات

أفكار بحثية

  • BiLSTM-CRF مقابل نماذج Transformer صغيرة للتعرف على الكيانات في نصوص طبية عربية.

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

اختبر فهمك

  1. مفهوم

    لماذا لا تصلح BiLSTM للتنبؤ الآني بالمستقبل؟

  2. مفهوم

    ما بعد خرج كل موضع في BiLSTM بحالة مخفية h=128 لكل اتجاه؟

  3. مفهوم

    في أي مهمة تتفوق BiLSTM عادة على LSTM أحادية الاتجاه؟

المراجع

  1. Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. https://doi.org/10.1109/78.650093

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Graves, A., & Schmidhuber, J. (2005). Framewise phoneme classification with bidirectional LSTM and other neural network architectures. Neural Networks, 18(5–6), 602–610. https://doi.org/10.1016/j.neunet.2005.06.042

    DOIتحقق آلي عبر Crossref – 2026-11-20

  3. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

    DOIتحقق آلي عبر Crossref – 2026-11-20