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

متوسطالشبكات التوليدية

الشبكات التنافسية المشروطة (cGAN)

Conditional GAN

امتداد لـ GAN يُمرَّر فيه شرط $y$ (فئة، نص، صورة) إلى المولّد والمميِّز معاً، فيتعلم النموذج التوزيع الشرطي $p(x\mid y)$ ويمكن التحكم بما يُولَّد.

نظرة عامة

الاسمالشبكات التنافسية المشروطة – Conditional GAN
سنة الظهور2014
الباحثونMehdi Mirza، Simon Osindero
الجهةUniversité de Montréal / Flickr
الورقة الأصليةConditional generative adversarial nets arXiv
نوع البياناتصور، بيانات جدولية
المجالاتالذكاء الاصطناعي التوليدي، الرؤية الحاسوبية، تحليل الصور الطبية
الكلفة الحسابيةمثل GAN.
حجم البياناتمتوسطة؛ pix2pix قد تعمل بمئات الأزواج في بعض المهام وفق الورقة.

المشكلة التي تحلها

GAN الأصلية لا تتيح اختيار نوع العينة المولّدة؛ التطبيقات تحتاج تحكماً (فئة معينة، أو تحويل صورة إلى صورة).

الخلفية والتطور

ما قبلها: الشبكات التوليدية التنافسية

  1. 2014

    قدم Mirza وOsindero cGAN. [مرجع]

  2. 2017

    استخدم pix2pix شبكة cGAN مع خسارة L1 لترجمة الصور المقترنة. [مرجع]

الفكرة الأساسية

الشرط $y$ يُضمّن ويُضم إلى $z$ في المولّد، وإلى $x$ في المميِّز. هكذا يعاقب المميِّز العينات غير الواقعية والعينات غير المتسقة مع شرطها. في pix2pix يكون الشرط صورة كاملة، ويضاف حد L1 لتقريب الخرج من الهدف المقترن.

مثال: تحويل خريطة تجزئة لأعضاء البطن إلى صورة CT اصطناعية مطابقة لها (pix2pix).

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
Condition embeddingتضمين y
Conditional G(z, y)
Conditional D(x, y)
Optional L1 termفي pix2pix

المعادلات

1. هدف cGAN

$$\min_G\max_D\;\mathbb{E}_{x,y}[\log D(x\mid y)]+\mathbb{E}_{z,y}[\log(1-D(G(z\mid y)\mid y))]$$

الرموز
$y$الشرط
الأبعاد
قيمة قياسية
مثال عددي
إذا ولّد G عينة واقعية لكن للفئة الخطأ فإن $D(G(z\mid y)\mid y)$ ينخفض فيُعاقب G.
علاقتها بالمعمارية
يفرض الاتساق مع الشرط.

2. هدف pix2pix

$$G^{*}=\arg\min_G\max_D\;\mathcal{L}_{cGAN}(G,D)+\lambda\,\mathbb{E}\big[\lVert y-G(x,z)\rVert_1\big]$$

الرموز
$\lambda$100 في الورقة
الأبعاد
قيمة قياسية
مثال عددي
متوسط خطأ بكسل $0.02$ مع $\lambda=100$ يضيف $2$ إلى الخسارة.
علاقتها بالمعمارية
يجمع الواقعية مع الدقة البكسلية.

آلية العمل خطوة بخطوة

  1. ضمّن الشرط.
  2. ولّد عينة مشروطة.
  3. درّب D على أزواج (عينة، شرط).
  4. درّب G على خداع D مع احترام الشرط.

المزايا والقيود

المزايا

  • تحكم مباشر بالمخرج.
  • أساس لترجمة الصور المقترنة.

القيود

  • تحتاج بيانات معنونة أو مقترنة.
  • ترث عدم استقرار GAN.

متى تُستخدم؟ ومتى لا؟

تناسب

  • توليد فئة محددة.
  • ترجمة صور مقترنة.

لا تناسب

  • غياب الأزواج: استخدم CycleGAN.

التطبيقات

المجالالاستخدام
الذكاء الاصطناعي التوليديتوليد صور مشروطة بالفئة.
الرؤية الحاسوبيةتلوين وتحويل الخرائط إلى صور.
تحليل الصور الطبيةتحويل بين وسائط تصوير مقترنة.

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)
# Conditional GAN — توليد من نمط محدد
# 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 CondGenerator(nn.Module):          # G(z, y): الشرط y يُضمَّن ويُضم إلى الضوضاء
    def __init__(self, z_dim=8, n_classes=8, e=8):
        super().__init__()
        self.z_dim, self.emb = z_dim, nn.Embedding(n_classes, e)
        self.net = nn.Sequential(nn.Linear(z_dim + e, 128), nn.LeakyReLU(0.2), nn.Linear(128, 128), nn.LeakyReLU(0.2), nn.Linear(128, 2))
    def forward(self, z, y):
        return self.net(torch.cat([z, self.emb(y)], 1))

class CondDiscriminator(nn.Module):      # D(x, y): هل x حقيقية ومتسقة مع الشرط y؟
    def __init__(self, n_classes=8, e=8):
        super().__init__()
        self.emb = nn.Embedding(n_classes, e)
        self.net = nn.Sequential(nn.Linear(2 + e, 128), nn.LeakyReLU(0.2), nn.Linear(128, 128), nn.LeakyReLU(0.2), nn.Linear(128, 1))
    def forward(self, x, y):
        return self.net(torch.cat([x, self.emb(y)], 1)).squeeze(-1)

# 3) إعداد البيانات
# التوزيع الهدف: خليط من 8 توزيعات غاوسية على دائرة نصف قطرها 2 (اختبار كلاسيكي لانهيار الأنماط)
CENTERS = torch.stack([torch.tensor([2 * torch.cos(torch.tensor(k * torch.pi / 4)), 2 * torch.sin(torch.tensor(k * torch.pi / 4))]) for k in range(8)])
def sample_ring(n, std=0.1):
    k = torch.randint(0, 8, (n,))
    return CENTERS[k] + std * torch.randn(n, 2), k

def ring_metrics(x):
    """جودة: نسبة العينات القريبة (<0.3) من أحد المراكز. تغطية: عدد الأنماط التي نالت ≥5% من العينات الجيدة."""
    d = torch.cdist(x, CENTERS)
    near, k = d.min(1)
    good = near < 0.3
    counts = torch.bincount(k[good], minlength=8).float()
    covered = int((counts >= 0.05 * max(1, good.sum().item())).sum())
    return good.float().mean().item(), covered

# 4) الخسارة والمحسّنان
G, Dnet = CondGenerator(), CondDiscriminator()
bce = nn.BCEWithLogitsLoss()
opt_g = torch.optim.Adam(G.parameters(), lr=1e-3, betas=(0.5, 0.999))
opt_d = torch.optim.Adam(Dnet.parameters(), lr=1e-3, betas=(0.5, 0.999))

# 5) حلقة التدريب: الشرط هنا = رقم النمط (0..7)
STEPS, BATCH = 3000, 256
for step in range(STEPS):
    real, y = sample_ring(BATCH)
    fake = G(torch.randn(BATCH, G.z_dim), y)                                 # Forward Pass مشروط
    d_loss = bce(Dnet(real, y), torch.ones(BATCH)) + bce(Dnet(fake.detach(), y), torch.zeros(BATCH))
    opt_d.zero_grad(); d_loss.backward(); opt_d.step()
    g_loss = bce(Dnet(fake, y), torch.ones(BATCH))
    opt_g.zero_grad(); g_loss.backward(); opt_g.step()
    if step % 750 == 0 or step == STEPS - 1:
        print(f"step {step:4d}  D_loss={d_loss.item():.3f}  G_loss={g_loss.item():.3f}")

# 6) التقييم: هل تقع العينة في النمط المطلوب؟
with torch.no_grad():
    y = torch.randint(0, 8, (4000,))
    x = G(torch.randn(4000, G.z_dim), y)
    d = torch.cdist(x, CENTERS)
    hit = ((d.argmin(1) == y) & (d.min(1).values < 0.3)).float().mean().item()
print(f"conditional accuracy (sample lands in the requested mode) = {hit:.3f}")

# 7) الاستدلال: اطلب عينة من النمط رقم 3
with torch.no_grad():
    print("requested mode 3 → point:", [round(v, 3) for v in G(torch.randn(1, G.z_dim), torch.tensor([3]))[0].tolist()], " center:", [round(v, 3) for v in CENTERS[3].tolist()])

نُفّذ هذا الكود بتاريخ 2026-11-20 في 13.7 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

conditional accuracy (sample lands in the requested mode) = 1.000

عدد المعاملات القابلة للتدريب في المثال: G = 19٬010، Dnet = 18٬113.

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

جرّب وتعمّق

معماريات مرتبطة

متوسط2014

الشبكات التوليدية التنافسية

Generative Adversarial Networks (GAN)

إطار توليدي من شبكتين تتنافسان: مولّد يحوّل ضوضاء عشوائية إلى عينات، ومميِّز يحاول التفريق بين العينات الحقيقية والمولَّدة. يتحسن المولّد حتى يصعب على المميِّز التمييز.

الشبكات التوليدية

متوسط2017

سايكل-جان

CycleGAN

ترجمة بين نطاقين من الصور دون أزواج مقترنة، باستخدام مولّدين متعاكسين ومميِّزين، مع خسارة "اتساق الدورة" التي تفرض أن الترجمة ذهاباً وإياباً تعيد الصورة الأصلية.

الشبكات التوليدية

متقدم2022

نماذج الانتشار الكامنة

Latent Diffusion Models (LDM)

تطبق الانتشار في فضاء كامن مضغوط من مشفّر تلقائي مدرّب مسبقاً بدلاً من فضاء البكسلات، مع آلية انتباه متقاطع لإدخال الشروط (نص، تجزئة...)، فتقل الحسابات كثيراً مع الحفاظ…

الشبكات التوليديةالمعماريات الهجينة

أفكار بحثية

  • cGAN لتوليد صور MRI مشروطة بدرجة الورم لموازنة الفئات.

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

اختبر فهمك

  1. مفهوم

    أين يُمرر الشرط في cGAN؟

  2. مفهوم

    ما وظيفة حد L1 في pix2pix؟

  3. مفهوم

    ما التوزيع الذي يتعلمه cGAN؟

المراجع

  1. Mirza, M., & Osindero, S. (2014). Conditional generative adversarial nets. arXiv preprint. https://arxiv.org/abs/1411.1784

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

  2. Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5967–5976. https://doi.org/10.1109/CVPR.2017.632

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  3. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems (NeurIPS) 27. https://arxiv.org/abs/1406.2661

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