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 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

الاسمالشبكات التوليدية التنافسية – Generative Adversarial Networks
سنة الظهور2014
الباحثونIan Goodfellow، Jean Pouget-Abadie، Mehdi Mirza، Bing Xu، David Warde-Farley، Sherjil Ozair، Aaron Courville، Yoshua Bengio
الجهةUniversité de Montréal
الورقة الأصليةGenerative adversarial nets arXiv
نوع البياناتصور، بيانات جدولية
المجالاتالذكاء الاصطناعي التوليدي، الرؤية الحاسوبية، تحليل الصور الطبية
الكلفة الحسابيةتمريران لكل خطوة (G وD)، والاستدلال تمرير واحد للمولّد.
حجم البياناتآلاف 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

  1. 2014

    قدم Goodfellow وزملاؤه إطار GAN. [مرجع]

  2. 2016

    وضع DCGAN إرشادات معمارية التفافية مستقرة. [مرجع]

  3. 2017

    اقترح WGAN مسافة Wasserstein لتحسين الاستقرار. [مرجع]

  4. 2019

    رفع StyleGAN جودة توليد الوجوه بمعمارية قائمة على الأسلوب. [مرجع]

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.

مثال: توليد صور جلدية اصطناعية لزيادة فئة نادرة في بيانات التدريب، مع التحقق من أن الصور لا تنسخ صور المرضى الحقيقية.

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
Generator Gضوضاء → عينة
Discriminator Dعينة → حقيقي/مزيّف
Adversarial lossminimax أو غير مشبع
Alternating optimizationخطوة لـ D ثم لـ G

المعادلات

1. هدف minimax

$$\min_G\max_D\;V(D,G)=\mathbb{E}_{x\sim p_{data}}[\log D(x)]+\mathbb{E}_{z\sim p_z}[\log(1-D(G(z)))]$$

الرموز
$D(x)$احتمال أن x حقيقية
$p_z$توزيع الضوضاء
الأبعاد
قيمة قياسية
مثال عددي
إذا كان $D(x)=0.9$ و$D(G(z))=0.2$ فإن $V=\ln0.9+\ln0.8\approx-0.105-0.223=-0.328$.
علاقتها بالمعمارية
D يريد تكبير V وG يريد تصغيرها.

2. المميِّز الأمثل والصلة بـ JSD

$$D^{*}(x)=\frac{p_{data}(x)}{p_{data}(x)+p_g(x)},\qquad V(D^{*},G)=-\log4+2\,\mathrm{JSD}(p_{data}\,\|\,p_g)$$

الرموز
$p_g$توزيع المولّد
$\mathrm{JSD}$تباعد جنسن–شانون
الأبعاد
قيمة قياسية
مثال عددي
عند التطابق $p_g=p_{data}$: $D^*=0.5$ و$V=-\log4\approx-1.386$.
علاقتها بالمعمارية
يبين أن الحل الأمثل هو مطابقة توزيع البيانات.

3. هدف المولّد غير المشبع

$$\mathcal{L}_G=-\mathbb{E}_{z}\left[\log D(G(z))\right]$$

الرموز
$G$المولّد
$D$المميّز (احتمال أن العيّنة حقيقية)
$z$متجه ضوضاء من التوزيع المسبق
الأبعاد
قيمة قياسية
مثال عددي
$D(G(z))=0.01$: الهدف الأصلي $\ln(0.99)\approx-0.01$ (تدرّج ضعيف) بينما $-\ln(0.01)\approx4.6$ (إشارة قوية).
علاقتها بالمعمارية
الصيغة المقترحة في الورقة نفسها لتدريب أكثر استقراراً.

آلية العمل خطوة بخطوة

  1. اسحب دفعة حقيقية ودفعة ضوضاء.
  2. ولّد عينات مزيفة.
  3. حدّث D لتمييز الحقيقي من المزيف.
  4. حدّث G ليجعل D يصنف المزيف حقيقياً.
  5. 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

المجالالاستخدام
الذكاء الاصطناعي التوليديتوليد الصور وتحسين الدقة.
الرؤية الحاسوبيةترجمة الصور.
تحليل الصور الطبيةزيادة 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.

Python (PyTorch)
# 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

معماريات مرتبطة

متوسط2014

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.

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

متقدم2019

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…

الشبكات التوليدية

متوسط2014

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.

الشبكات التوليدية

متقدم2020

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…

الشبكات التوليدية

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

  1. مفهوم

    ما قيمة المميِّز الأمثل عندما يطابق توزيع المولّد توزيع البيانات؟

  2. مفهوم

    ما المقصود بانهيار الأنماط؟

  3. رياضي

    لماذا يُفضل هدف $-\log D(G(z))$ للمولّد؟

المراجع

  1. 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

  2. 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

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

  3. 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

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

  4. 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

  5. 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

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20