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 والمتسلسلةالمعماريات الهجينة

الشبكات الهجينة CNN–GRU

CNN-GRU

التفافات أحادية البعد تلتقط أنماطاً محلية في الإشارة وتقلل طولها، ثم GRU (غالباً ثنائية الاتجاه) تنمذج العلاقات عبر الزمن بعدد معاملات أقل من LSTM.

نظرة عامة

الاسمالشبكات الهجينة CNN–GRU – CNN-GRU
سنة الظهور2014
الباحثونتصميم هجين شائع دون ورقة مؤسسة واحدة؛ مكوّناه: الالتفاف (LeCun وآخرون 1998) وGRU (Cho وآخرون 2014)
الورقة الأصليةLearning phrase representations using RNN encoder–decoder for statistical machine translation DOI arXiv
نوع البياناتتسلسلات وسلاسل زمنية
المجالاتالتنبؤ بالسلاسل الزمنية، الصوت والكلام، تحليل الصور الطبية
الكلفة الحسابيةالتفاف خطي في L + GRU على L/8.
حجم البياناتصغيرة إلى متوسطة.

المشكلة التي تحلها

الإشارات الطويلة (تخطيط قلب، صوت، حساسات) فيها أشكال محلية مهمة وإيقاع زمني؛ RNN مباشرة على آلاف العينات بطيئة وتنسى، وCNN وحدها مجال استقبالها محدود.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، الوحدة المتكررة ذات البوابات

  1. 2014

    قدم Cho وزملاؤه GRU. [مرجع]

  2. 2014

    قارن Chung وزملاؤه GRU وLSTM تجريبياً ووجدوا أداءً متقارباً في مهامهم. [مرجع]

الفكرة الأساسية

الالتفاف مع التجميع يحول 400 عينة إلى 50 متجه سمات يصف كل منها مقطعاً قصيراً، فتعمل GRU على تسلسل أقصر بثماني مرات وبمعنى أغنى.

مثال: كشف عدم انتظام ضربات القلب: الالتفاف يتعرف على شكل الضربة، وGRU تقارن الفواصل بين الضربات.

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
Conv1d + Poolأنماط محلية وتقليل الطول
BatchNorm
(Bi)GRUنمذجة زمنية
Head

المعادلات

1. GRU (اصطلاح PyTorch)

$$z_t=\sigma(W_zx_t+U_zh_{t-1}),\;r_t=\sigma(W_rx_t+U_rh_{t-1}),\;n_t=\tanh(W_nx_t+r_t\odot U_nh_{t-1}),\;h_t=(1-z_t)\odot n_t+z_t\odot h_{t-1}$$

الرموز
$z_t$بوابة التحديث
$r_t$بوابة إعادة الضبط
الأبعاد
$h_t\in\mathbb{R}^{h}$
مثال عددي
$z=0.9$، $n=1$، $h_{t-1}=0$ ⇒ $h_t=0.1$: البوابة تحافظ على الحالة القديمة غالباً.
علاقتها بالمعمارية
ثلاث مجموعات أوزان بدل أربع في LSTM. (ورقة Cho تستخدم دور z معكوساً.)

2. طول التسلسل بعد التجميع

$$L_{out}=\left\lfloor\frac{L}{\prod_k p_k}\right\rfloor$$

الرموز
$p_k$حجم كل تجميع
الأبعاد
عدد صحيح
مثال عددي
$L=400$ مع تجميع 4 ثم 2: $L_{out}=50$.
علاقتها بالمعمارية
يقلل تكلفة الجزء المتكرر.

آلية العمل خطوة بخطوة

  1. طبّق التفافات 1D مع تجميع.
  2. بدّل المحاور إلى (زمن، قنوات).
  3. مرّر عبر BiGRU.
  4. ادمج الحالتين الأخيرتين وصنّف.

المزايا والقيود

المزايا

  • أخف من CNN-LSTM.
  • فعال على الإشارات الطويلة بعد التقليل.
  • سهل التدريب.

القيود

  • اختيار التقليل يحدد الدقة الزمنية.
  • تسلسلي في الجزء المتكرر.

متى تُستخدم؟ ومتى لا؟

تناسب

  • إشارات حيوية وصوت وحساسات.

لا تناسب

  • تسلسلات قصيرة جداً بلا بنية محلية.

التطبيقات

المجالالاستخدام
تحليل الصور الطبيةتصنيف ECG وEEG.
الصوت والكلامكشف الأحداث الصوتية.
التنبؤ بالسلاسل الزمنيةالتعرف على الأنشطة من الحساسات.

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.

الإشارة اصطناعية بالكامل للتعليم وليست بيانات ECG حقيقية، ولا تصلح لاستنتاجات سريرية.

Python (PyTorch)
# CNN-GRU: تمييز إيقاع منتظم من غير منتظم في إشارة شبيهة بـ ECG
# 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 CNNGRU(nn.Module):
    """التفافات 1D تكشف الأنماط المحلية (شكل النبضة) وتقلل الطول، ثم GRU تنمذج الإيقاع عبر الزمن."""
    def __init__(self, h=32, n_classes=2):
        super().__init__()
        self.conv = nn.Sequential(nn.Conv1d(1, 16, 7, padding=3), nn.BatchNorm1d(16), nn.ReLU(), nn.MaxPool1d(4),
                                  nn.Conv1d(16, 32, 5, padding=2), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(2))   # 400 → 50
        self.gru = nn.GRU(32, h, batch_first=True, bidirectional=True)
        self.out = nn.Linear(2 * h, n_classes)
    def forward(self, x):                                      # B×L
        f = self.conv(x[:, None]).transpose(1, 2)              # B×50×32
        _, h = self.gru(f)
        return self.out(torch.cat([h[0], h[1]], 1))

# 3) إعداد البيانات
# إشارة شبيهة بتخطيط القلب (طول 400): نبضات منتظمة (0) أو بفواصل غير منتظمة (1)، مع ضوضاء وانحراف خط القاعدة.
# تنبيه: بيانات اصطناعية للتعليم فقط، وليست إشارات ECG حقيقية.
def beat(L=400, pos=0):
    t = torch.arange(L).float()
    return torch.exp(-((t - pos) / 3) ** 2) * 1.0 - 0.25 * torch.exp(-((t - pos - 8) / 6) ** 2)
def make(n, L=400):
    X = torch.zeros(n, L); y = torch.randint(0, 2, (n,))
    for i in range(n):
        rr = 50 + torch.randint(-5, 6, (1,)).item()
        p = torch.randint(0, 30, (1,)).item()
        while p < L - 10:
            X[i] += beat(L, p)
            p += rr if y[i] == 0 else int(rr * (0.55 + 0.9 * torch.rand(1).item()))
        X[i] += 0.08 * torch.randn(L) + 0.2 * torch.sin(torch.arange(L) / 60 + torch.rand(1) * 6)
    return X, y
X_train, y_train = make(800)
X_test, y_test = make(200)
model = CNNGRU()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=3e-3)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 12, 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)
    acc = (out.argmax(dim=-1) == y_test).float().mean().item()
    print(f"test accuracy = {acc:.3f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("predicted class:", out.argmax(dim=-1).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 10.0 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 15٬618.

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

جرّب وتعمّق

معماريات مرتبطة

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

أساسي2015

الشبكات الهجينة CNN–LSTM

CNN-LSTM

CNN تستخرج تمثيلاً من كل عنصر مكاني (إطار فيديو، نافذة إشارة، صورة)، ثم LSTM تنمذج تتابع هذه التمثيلات عبر الزمن؛ وفي البديل ConvLSTM يُدمج الالتفاف داخل بوابات LSTM نفس…

الشبكات الزمنية والمتسلسلةالمعماريات الهجينة

أساسي2018

الشبكات الالتفافية الزمنية

Temporal Convolutional Network (TCN)

شبكة التفافية أحادية البعد سببية (لا ترى المستقبل) بالتفاف متوسع (dilated) ووصلات متبقية، تعالج التسلسلات بالتوازي وتغطي سياقاً طويلاً.

الشبكات الزمنية والمتسلسلة

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

أفكار بحثية

  • CNN-GRU خفيف لكشف الرجفان الأذيني على ساعات ذكية مع تقييم استهلاك الطاقة.

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

اختبر فهمك

  1. مفهوم

    ما فائدة الالتفاف والتجميع قبل GRU؟

  2. مقارنة

    كم مجموعة أوزان بوابية في GRU مقارنة بـ LSTM؟

  3. مفهوم

    إشارة بطول 1000 بعد تجميع 5 ثم 2، ما طولها؟

المراجع

  1. Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder–decoder for statistical machine translation. Proceedings of EMNLP 2014, 1724–1734. https://doi.org/10.3115/v1/D14-1179

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. NIPS 2014 Workshop on Deep Learning. https://arxiv.org/abs/1412.3555

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

  3. LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791

    DOIتحقق آلي عبر Crossref – 2026-11-20