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

متوسطالمعماريات العصبية المتقدمة

شبكات الكبسولات (CapsNet)

Capsule Networks

شبكات تمثل الكيانات بكبسولات (متجهات) يعبّر طولها عن احتمال وجود الكيان واتجاهها عن خصائصه (الوضعية)، وتربط المستويات بخوارزمية توجيه ديناميكي بالاتفاق.

نظرة عامة

الاسمشبكات الكبسولات – Capsule Networks
سنة الظهور2017
الباحثونSara Sabour، Nicholas Frosst، Geoffrey E. Hinton
الجهةGoogle Brain
الورقة الأصليةDynamic routing between capsules arXiv
نوع البياناتصور
المجالاتالرؤية الحاسوبية، تحليل الصور الطبية
الكلفة الحسابيةمرتفعة نسبياً بسبب تنبؤات كل زوج كبسولات وتكرارات التوجيه.
حجم البياناتمجموعات صغيرة ومتوسطة (MNIST، smallNORB).

المشكلة التي تحلها

التجميع الأقصى (Max Pooling) في CNN يفقد معلومات العلاقات المكانية بين الأجزاء، فقد تصنّف الشبكة وجهاً مشوّه الترتيب على أنه وجه.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية

  1. 2017

    قدّم Sabour وFrosst وHinton التوجيه الديناميكي بين الكبسولات في NeurIPS 2017. [مرجع]

  2. 2018

    اقترح Hinton وزملاؤه كبسولات المصفوفات مع توجيه EM. [مرجع]

  3. 2022

    مسح شامل لأبحاث الكبسولات وتحدياتها. [مرجع]

الفكرة الأساسية

كل كبسولة في المستوى الأدنى (جزء) تتنبأ بوضعية كل كبسولة أعلى (كل) عبر مصفوفة تحويل. إذا اتفقت تنبؤات عدة أجزاء على وضعية متشابهة، تزداد معاملات الاقتران نحو تلك الكبسولة. دالة squash تجعل طول المتجه بين 0 و1.

مثال: كبسولة "عين" وكبسولة "فم" تتنبأ كل منهما بموضع "الوجه" واتجاهه؛ إذا اتفق التنبؤان يُفعَّل كبسولة الوجه بقوة، أما إذا كانت الأجزاء في مواضع خاطئة فلن تتفق التنبؤات.

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
Conv layerاستخراج سمات أولية
Primary Capsulesالتفاف يُعاد تشكيله إلى متجهات صغيرة
Transformation matrices$W_{ij}$ لتنبؤ الجزء بالكل
Dynamic routingتكرار تحديث معاملات الاقتران
Squashتطبيع طول المتجه
Margin lossخسارة على أطوال كبسولات الفئات
Reconstruction decoderإعادة بناء الصورة كتنظيم

المعادلات

1. دالة الضغط (Squash)

$$v_j=\frac{\|s_j\|^2}{1+\|s_j\|^2}\,\frac{s_j}{\|s_j\|}$$

الرموز
$s_j$الدخل الكلي للكبسولة j
$v_j$خرجها
الأبعاد
$v_j\in\mathbb{R}^{16}$ و$\|v_j\|<1$
مثال عددي
إذا كان $\|s_j\|=1$ فإن $\|v_j\|=0.5$؛ وإذا كان $\|s_j\|=3$ فإن $\|v_j\|=0.9$.
علاقتها بالمعمارية
تجعل الطول يعبر عن احتمال الوجود.

2. التنبؤات والتوجيه

$$\hat u_{j|i}=W_{ij}u_i,\quad s_j=\sum_i c_{ij}\hat u_{j|i},\quad c_{ij}=\frac{\exp b_{ij}}{\sum_k\exp b_{ik}},\quad b_{ij}\leftarrow b_{ij}+\hat u_{j|i}\cdot v_j$$

الرموز
$c_{ij}$معامل الاقتران
$b_{ij}$لوغاريتم أولي يبدأ صفراً
الأبعاد
$W_{ij}\in\mathbb{R}^{16\times8}$
مثال عددي
إذا كان $\hat u_{j|i}\cdot v_j=2$ لكبسولة و$-1$ لأخرى، يرتفع $b$ للأولى فيزداد اقترانها في التكرار التالي.
علاقتها بالمعمارية
الاتفاق بين التنبؤ والخرج يقوي الرابط.

3. خسارة الهامش

$$L_k=T_k\max(0,m^+-\|v_k\|)^2+\lambda(1-T_k)\max(0,\|v_k\|-m^-)^2$$

الرموز
$T_k$1 إذا كانت الفئة k موجودة
$m^+,m^-$0.9 و0.1
$\lambda$0.5
الأبعاد
عدد قياسي لكل فئة
مثال عددي
فئة موجودة طول كبسولتها $0.7$: $L=(0.9-0.7)^2=0.04$.
علاقتها بالمعمارية
تسمح بأكثر من فئة في الصورة نفسها.

آلية العمل خطوة بخطوة

  1. يستخرج التفاف أولي سمات محلية.
  2. تُشكّل الكبسولات الابتدائية وتُضغط بـ squash.
  3. تتنبأ كل كبسولة بوضعية كبسولات الفئات.
  4. يُكرر التوجيه r مرات لتحديث الاقتران.
  5. يُحدد الصنف بأطول كبسولة.
  6. يُضاف فك تشفير لإعادة البناء كتنظيم.

المزايا والقيود

المزايا

  • تمثيل صريح لعلاقات الجزء–الكل والوضعية.
  • نتائج جيدة على MNIST ومع الأرقام المتداخلة (MultiMNIST) في البحث الأصلي.

القيود

  • التوجيه التكراري مكلف ويصعب توسيعه للصور الكبيرة.
  • لم تُظهر تفوقاً ثابتاً على CNN الحديثة في مجموعات صور كبيرة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • دراسة العلاقات المكانية والوضعية.
  • تجارب بحثية على بيانات صغيرة.

لا تناسب

  • صور عالية الدقة وبيانات ضخمة حيث الكلفة كبيرة.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةتمييز الأرقام المتداخلة والأجسام بوضعيات مختلفة.
تحليل الصور الطبيةتجارب في تصنيف صور طبية صغيرة.

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.

نسخة مصغرة لصور 16×16 دون فك تشفير إعادة البناء؛ البحث الأصلي يستخدم MNIST بصور 28×28 و1152 كبسولة ابتدائية.

Python (PyTorch)
# Capsule Network مع التوجيه الديناميكي — نسخة مصغرة
# 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
def squash(s, dim=-1):
    n2 = (s ** 2).sum(dim, keepdim=True)
    return n2 / (1 + n2) * s / torch.sqrt(n2 + 1e-8)

class CapsNet(nn.Module):
    def __init__(self, n_classes=2, routing=3):
        super().__init__()
        self.conv = nn.Conv2d(1, 32, 5)                         # 16→12
        self.primary = nn.Conv2d(32, 8 * 8, 5, stride=2)        # 12→4 ⇒ 8 خرائط × كبسولات 8D
        self.n_in, self.r = 8 * 4 * 4, routing
        self.W = nn.Parameter(torch.randn(1, self.n_in, n_classes, 12, 8) * 0.05)
    def forward(self, x):
        h = F.relu(self.conv(x))
        u = self.primary(h).view(x.shape[0], 8, 8, 4, 4).permute(0, 1, 3, 4, 2).reshape(x.shape[0], -1, 8)
        u = squash(u)                                           # B×128×8
        u_hat = (self.W @ u[:, :, None, :, None]).squeeze(-1)   # B×128×C×12
        b = torch.zeros(u_hat.shape[:3])
        for it in range(self.r):                                # التوجيه بالاتفاق
            c = torch.softmax(b, dim=2)
            v = squash((c.unsqueeze(-1) * u_hat).sum(1))        # B×C×12
            if it < self.r - 1:
                b = b + (u_hat * v.unsqueeze(1)).sum(-1)
        return v.norm(dim=-1)                                   # طول كل كبسولة

def margin_loss(lengths, y, m_pos=0.9, m_neg=0.1, lam=0.5):
    T = F.one_hot(y, lengths.shape[1]).float()
    L = T * F.relu(m_pos - lengths) ** 2 + lam * (1 - T) * F.relu(lengths - m_neg) ** 2
    return L.sum(1).mean()

# 3) إعداد البيانات
def make(n):
    X = torch.randn(n, 1, 16, 16) * 0.3
    y = torch.randint(0, 2, (n,))
    pos = torch.randint(2, 14, (n,))
    for i in range(n):
        if y[i] == 0: X[i, 0, pos[i], 2:14] += 1.5
        else:         X[i, 0, 2:14, pos[i]] += 1.5
    return X, y
X_train, y_train = make(384)
X_test, y_test = make(96)
model = CapsNet()

# 4) خسارة الهامش والمحسّن
opt = torch.optim.Adam(model.parameters(), lr=3e-3)

# 5) حلقة التدريب
for epoch in range(6):
    model.train()
    for i in range(0, len(X_train), 32):
        xb, yb = X_train[i:i + 32], y_train[i:i + 32]
        loss = margin_loss(model(xb), yb)        # Forward Pass + Margin Loss
        opt.zero_grad(); loss.backward(); opt.step()
    print(f"epoch {epoch}  loss={loss.item():.4f}")

# 6) التقييم: الفئة = أطول كبسولة
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: أطوال كبسولات الفئات لصورة واحدة
with torch.no_grad():
    print("capsule lengths:", [round(v, 3) for v in model(X_test[:1])[0].tolist()])

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.4 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 76٬672.

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

جرّب وتعمّق

معماريات مرتبطة

مبتدئ1998

الشبكة العصبية الالتفافية

Convolutional Neural Network (CNN)

شبكة تستخدم مرشّحات التفاف صغيرة مشتركة الأوزان تنزلق على الصورة، فتلتقط الأنماط المحلية مع عدد معاملات أقل بكثير من MLP.

الأساسيات

متوسط2017

الشبكات الكبسولية الهجينة

Hybrid Capsule Networks (CNN-CapsNet)

تصاميم تستخدم عموداً فقرياً التفافياً قوياً (مثل ResNet) لاستخراج السمات، ثم طبقة كبسولات مع توجيه ديناميكي في الأعلى لتمثيل علاقات الجزء–الكل.

المعماريات الهجينة

أساسي2015

آلية الانتباه

Attention Mechanism

آلية تسمح للنموذج بأن يحسب أوزاناً لكل عنصر من عناصر الدخل حسب صلته بالخطوة الحالية، ثم يأخذ متوسطاً موزوناً، بدلاً من ضغط الجملة كلها في متجه واحد.

الأساسياتالشبكات الزمنية والمتسلسلة

أفكار بحثية

  • تقييم متانة CapsNet تجاه الدوران مقارنة بـ CNN مع تكبير بيانات مكافئ.
  • كبسولات خفيفة لتصنيف صور طبية صغيرة مع تحليل الكلفة.

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

اختبر فهمك

  1. مفهوم

    ماذا يمثل طول متجه الكبسولة في CapsNet؟

  2. مفهوم

    ما ناتج طول squash لمتجه طوله 1؟

  3. مفهوم

    ما الفكرة وراء التوجيه الديناميكي؟

المراجع

  1. Sabour, S., Frosst, N., & Hinton, G. E. (2017). Dynamic routing between capsules. Advances in Neural Information Processing Systems (NeurIPS) 30. https://arxiv.org/abs/1710.09829

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

  2. Hinton, G. E., Sabour, S., & Frosst, N. (2018). Matrix capsules with EM routing. International Conference on Learning Representations (ICLR). https://openreview.net/forum?id=HJWLfGWRb

    الناشرمرجع بلا DOI أو arXiv: تحقق يدوي من بيانات الناشر

  3. De Sousa Ribeiro, F., Duarte, K., Everett, M., Leontidis, G., & Shah, M. (2024). Object-centric learning with capsule networks: A survey. ACM Computing Surveys, 56(11), 1–291 (arXiv 2206.02664). https://doi.org/10.1145/3674500

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20