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
| الاسم | الشبكات الهجينة CNN–GRU – CNN-GRU |
|---|---|
| سنة الظهور | 2014 |
| الباحثون | تصميم هجين شائع دون ورقة مؤسسة واحدة؛ مكوّناه: الالتفاف (LeCun وآخرون 1998) وGRU (Cho وآخرون 2014) |
| الورقة الأصلية | Learning phrase representations using RNN encoder–decoder for statistical machine translation DOI arXiv |
| نوع البيانات | تسلسلات وسلاسل زمنية |
| المجالات | التنبؤ بالسلاسل الزمنية، الصوت والكلام، تحليل الصور الطبية |
| الكلفة الحسابية | التفاف خطي في L + GRU على L/8. |
| حجم البيانات | صغيرة 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
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.
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
| المكوّن | الوظيفة |
|---|---|
| Conv1d + Pool | أنماط محلية وتقليل الطول |
| BatchNorm | |
| (Bi)GRU | نمذجة زمنية |
| Head |
المعادلات
1. GRU (اصطلاح PyTorch)
| $z_t$ | بوابة التحديث |
| $r_t$ | بوابة إعادة الضبط |
2. طول التسلسل بعد التجميع
| $p_k$ | حجم كل تجميع |
آلية العمل خطوة بخطوة
- طبّق التفافات 1D مع تجميع.
- بدّل المحاور إلى (زمن، قنوات).
- مرّر عبر BiGRU.
- 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
| المجال | الاستخدام |
|---|---|
| تحليل الصور الطبية | تصنيف ECG وEEG. |
| الصوت والكلام | كشف الأحداث الصوتية. |
| التنبؤ بالسلاسل الزمنية | التعرف 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.
# 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
- مصمم المعماريات العصبية
- مختبر السلاسل الزمنية قسم آخر في الموقع
معماريات مرتبطة
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 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 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.
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.
لا توجد نتائج مطابقة للمرشحات.
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
ما فائدة الالتفاف والتجميع قبل GRU؟
لماذا؟ GRU تعمل على تسلسل أقصر وأغنى.
كم مجموعة أوزان بوابية في GRU مقارنة بـ LSTM؟
لماذا؟ التحديث وإعادة الضبط والمرشح.
إشارة بطول 1000 بعد تجميع 5 ثم 2، ما طولها؟
لماذا؟ $1000/10$.
المراجع
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
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
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
