الشبكات التوليدية التنافسية (GAN)
Generative Adversarial Networks
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.
نظرة عامة
| الاسم | الشبكات التوليدية التنافسية – Generative Adversarial Networks |
|---|---|
| سنة الظهور | 2014 |
| الباحثون | Ian Goodfellow، Jean Pouget-Abadie، Mehdi Mirza، Bing Xu، David Warde-Farley، Sherjil Ozair، Aaron Courville، Yoshua Bengio |
| الجهة | Université de Montréal |
| الورقة الأصلية | Generative adversarial nets arXiv |
| نوع البيانات | صور، بيانات جدولية |
| المجالات | الذكاء الاصطناعي التوليدي، الرؤية الحاسوبية، تحليل الصور الطبية |
| الكلفة الحسابية | تمريران لكل خطوة (G وD)، والاستدلال تمرير واحد للمولّد. |
| حجم البيانات | آلاف إلى ملايين العينات حسب الدقة. |
المشكلة التي تحلها
النماذج التوليدية الصريحة احتاجت حساب احتمالات أو تقريبات معقدة (سلاسل ماركوف، حدود دنيا). المطلوب طريقة لتعلم توليد عينات واقعية دون حساب الكثافة صراحة.
الخلفية والتطور
ما قبلها: الإدراك متعدد الطبقات، المشفّر التلقائي
الفكرة الأساسية
المولّد $G$ يأخذ $z\sim\mathcal N(0,I)$ ويُخرج $G(z)$. المميِّز $D$ يعطي احتمال أن الدخل حقيقي. يتدربان بالتناوب في لعبة صفرية: $D$ يكبّر دقة التمييز و$G$ يحاول خداعه. عملياً يُستخدم هدف "غير مشبع" للمولّد لأن الهدف الأصلي يعطي تدرّجات ضعيفة في البداية.
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 |
|---|---|
| Generator G | ضوضاء → عينة |
| Discriminator D | عينة → حقيقي/مزيّف |
| Adversarial loss | minimax أو غير مشبع |
| Alternating optimization | خطوة لـ D ثم لـ G |
المعادلات
1. هدف minimax
| $D(x)$ | احتمال أن x حقيقية |
| $p_z$ | توزيع الضوضاء |
2. المميِّز الأمثل والصلة بـ JSD
| $p_g$ | توزيع المولّد |
| $\mathrm{JSD}$ | تباعد جنسن–شانون |
3. هدف المولّد غير المشبع
| $G$ | المولّد |
| $D$ | المميّز (احتمال أن العيّنة حقيقية) |
| $z$ | متجه ضوضاء من التوزيع المسبق |
آلية العمل خطوة بخطوة
- اسحب دفعة حقيقية ودفعة ضوضاء.
- ولّد عينات مزيفة.
- حدّث D لتمييز الحقيقي من المزيف.
- حدّث G ليجعل D يصنف المزيف حقيقياً.
- كرر وراقب الجودة والتنوع.
المزايا والقيود
المزايا
- عينات حادة وواقعية.
- استدلال سريع بتمرير أمامي واحد.
- لا يحتاج كثافة صريحة.
القيود
- تدريب غير مستقر وحساس للمعاملات.
- انهيار الأنماط (mode collapse).
- لا يعطي احتمالاً صريحاً للعينة.
- تقييم صعب.
متى تُستخدم؟ ومتى لا؟
تناسب
- توليد سريع لعينات واقعية.
- زيادة البيانات بحذر.
لا تناسب
- الحاجة إلى تقدير احتمالات.
- تغطية كاملة للتنوع شرط أساسي.
التطبيقات
| المجال | الاستخدام |
|---|---|
| الذكاء الاصطناعي التوليدي | توليد الصور وتحسين الدقة. |
| الرؤية الحاسوبية | ترجمة الصور. |
| تحليل الصور الطبية | زيادة البيانات الطبية النادرة (مع حذر من الخصوصية والتحيز). |
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.
التقييم هنا بمقياسين بسيطين محسوبين داخل المثال: نسبة العينات القريبة من أحد الأنماط الثمانية، وعدد الأنماط المغطاة. لا يُستخدم FID لأنه خاص بالصور.
# GAN — مولّد ومميِّز على خليط غاوسي حلقي
# 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 mlp(i, o, h=128):
return nn.Sequential(nn.Linear(i, h), nn.LeakyReLU(0.2), nn.Linear(h, h), nn.LeakyReLU(0.2), nn.Linear(h, o))
class Generator(nn.Module): # G: z ~ N(0, I) → x
def __init__(self, z_dim=8):
super().__init__(); self.z_dim, self.net = z_dim, mlp(z_dim, 2)
def forward(self, z):
return self.net(z)
class Discriminator(nn.Module): # D: x → logit(حقيقي)
def __init__(self):
super().__init__(); self.net = mlp(2, 1)
def forward(self, x):
return self.net(x).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) دالة الخسارة (Non-saturating GAN loss) والمحسّنان
G, Dnet = Generator(), Discriminator()
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: خطوة للمميِّز ثم خطوة للمولّد
STEPS, BATCH = 3000, 256
for step in range(STEPS):
real, _ = sample_ring(BATCH)
fake = G(torch.randn(BATCH, G.z_dim)) # Forward Pass للمولّد
d_loss = bce(Dnet(real), torch.ones(BATCH)) + bce(Dnet(fake.detach()), torch.zeros(BATCH))
opt_d.zero_grad(); d_loss.backward(); opt_d.step()
g_loss = bce(Dnet(fake), torch.ones(BATCH)) # المولّد يريد أن يُصنَّف "حقيقياً"
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: جودة العينات وتغطية الأنماط الثمانية
with torch.no_grad():
q, cov = ring_metrics(G(torch.randn(4000, G.z_dim)))
print(f"sample quality (near a mode) = {q:.3f} ; modes covered = {cov}/8")
# 7) الاستدلال: توليد عينة جديدة
with torch.no_grad():
print("generated point:", [round(v, 3) for v in G(torch.randn(1, G.z_dim))[0].tolist()])
نُفّذ هذا الكود بتاريخ 2026-11-20 في 12.7 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
sample quality (near a mode) = 0.827 ; modes covered = 6/8
عدد المعاملات القابلة للتدريب في المثال: G = 17٬922، Dnet = 17٬025.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
- مقارن المعماريات
- أطلس نماذج الذكاء الاصطناعي قسم آخر في الموقع
معماريات مرتبطة
الشبكات التنافسية المشروطة
Conditional GAN (cGAN)
امتداد لـ GAN يُمرَّر فيه شرط y (فئة، نص، صورة) إلى المولّد والمميِّز معاً، فيتعلم النموذج التوزيع الشرطي p(x y) ويمكن التحكم بما يُولَّد.
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.
ستايل-جان
StyleGAN
مولّد GAN يحوّل الضوضاء أولاً عبر شبكة تعيين إلى فضاء كامن وسيط w، ثم يحقن "الأسلوب" في كل طبقة من شبكة تبدأ من دخل ثابت، مع حقن ضوضاء للتفاصيل العشوائية، فيعطي تحكماً ب…
المشفّر التلقائي التبايني
Variational Autoencoder (VAE)
نموذج توليدي احتمالي بمتغير كامن: مشفّر يقدّر توزيعاً تقريبياً q(z x) ومفكك يمثل p(x z)، ويُدرّبان معاً بتعظيم الحد الأدنى للأدلة (ELBO) باستخدام خدعة إعادة المعلمة.
نماذج الانتشار
Diffusion Models (DDPM)
تفسد البيانات تدريجياً بإضافة ضوضاء غاوسية عبر T خطوة، ثم تتعلم شبكة عكس هذه العملية بالتنبؤ بالضوضاء المضافة، فيُولَّد مثال جديد بإزالة الضوضاء خطوة بخطوة بدءاً من ضوضا…
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- تقييم GAN مقابل نماذج الانتشار في زيادة بيانات صور الآفات الجلدية النادرة مع اختبار تسرب الخصوصية (memorization).
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما قيمة المميِّز الأمثل عندما يطابق توزيع المولّد توزيع البيانات؟
لماذا؟ $D^*=p_{data}/(p_{data}+p_g)=1/2$.
ما المقصود بانهيار الأنماط؟
لماذا؟ مثال: توليد نمطين فقط من ثمانية.
لماذا يُفضل هدف $-\log D(G(z))$ للمولّد؟
لماذا؟ الهدف الأصلي يتشبع في بداية التدريب.
المراجع
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
Radford, A., Metz, L., & Chintala, S. (2016). Unsupervised representation learning with deep convolutional generative adversarial networks. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1511.06434
Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. International Conference on Machine Learning (ICML), PMLR 70, 214–223. https://arxiv.org/abs/1701.07875
Mirza, M., & Osindero, S. (2014). Conditional generative adversarial nets. arXiv preprint. https://arxiv.org/abs/1411.1784
Karras, T., Laine, S., & Aila, T. (2019). A style-based generator architecture for generative adversarial networks. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 4396–4405. https://doi.org/10.1109/CVPR.2019.00453
