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 والمتسلسلة

الوحدة المتكررة ذات البوابات (GRU)

Gated Recurrent Unit

تبسيط لـ LSTM ببوابتين فقط (تحديث وإعادة ضبط) ودون حالة خلية منفصلة، بأداء مقارب في كثير من المهام ومعاملات أقل.

نظرة عامة

الاسمالوحدة المتكررة ذات البوابات – Gated Recurrent Unit
سنة الظهور2014
الباحثونKyunghyun Cho، Bart van Merriënboer، Caglar Gulcehre، Dzmitry Bahdanau، Fethi Bougares، Holger Schwenk، Yoshua Bengio
الورقة الأصليةLearning phrase representations using RNN encoder–decoder for statistical machine translation DOI arXiv
نوع البياناتتسلسلات وسلاسل زمنية، نصوص
المجالاتالتنبؤ بالسلاسل الزمنية، الصوت والكلام، معالجة اللغة الطبيعية

المشكلة التي تحلها

LSTM فعالة لكنها كثيرة المعاملات؛ أراد الباحثون وحدة أبسط تحافظ على ميزة البوابات.

الخلفية والتطور

ما قبلها: الذاكرة الطويلة قصيرة المدى، الشبكة العصبية المتكررة

  1. 2014

    قُدمت ضمن نموذج RNN Encoder–Decoder للترجمة. [مرجع]

  2. 2014

    قارن Chung وزملاؤه GRU وLSTM تجريبياً ووجدوا أداء متقارباً. [مرجع]

الفكرة الأساسية

بوابة التحديث $z_t$ تقرر كم من الحالة القديمة يُحتفظ به مقابل الحالة المرشحة الجديدة (استيفاء خطي). بوابة إعادة الضبط $r_t$ تحدد كم من الحالة السابقة يُستخدم عند حساب المرشحة.

مثال: في سلسلة حرارة يومية، إذا كانت القيم مستقرة تبقى $z_t$ قريبة من الاحتفاظ بالحالة، وعند تغير مفاجئ تميل إلى تحديثها.

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
Update gate z_tموازنة القديم والجديد
Reset gate r_tأثر الماضي على المرشح
Candidate ĥ_tحالة مقترحة
Hidden state h_tاستيفاء خطي

المعادلات

1. معادلات GRU (صيغة PyTorch)

$$z_t=\sigma(W_zx_t+U_zh_{t-1}),\; r_t=\sigma(W_rx_t+U_rh_{t-1}),\; \tilde h_t=\tanh\!\left(W x_t+r_t\odot(U h_{t-1})\right),\; h_t=(1-z_t)\odot\tilde h_t+z_t\odot h_{t-1}$$

الرموز
$z_t$بوابة التحديث
$r_t$بوابة إعادة الضبط
الأبعاد
المعاملات $3(h(h+d)+2h)$ تقريباً في PyTorch
مثال عددي
$z=0.8$، $h_{t-1}=1$، $\tilde h=-1$ ⇒ $h_t=0.2(-1)+0.8(1)=0.6$.
علاقتها بالمعمارية
تنبيه: الورقة الأصلية تضع $z$ و$1-z$ بالعكس؛ PyTorch يستخدم الصيغة أعلاه، والمعنى متكافئ.

آلية العمل خطوة بخطوة

  1. تُحسب بوابتا التحديث وإعادة الضبط.
  2. تُحسب الحالة المرشحة.
  3. يُستوفى بين الحالة القديمة والمرشحة.
  4. يتكرر لكل خطوة.

المزايا والقيود

المزايا

  • أقل معاملات من LSTM (ثلاث مجموعات بدل أربع).
  • أداء مقارب في كثير من المهام.

القيود

  • لا يوجد فصل بين الذاكرة والخرج كما في LSTM.
  • لا يتفوق بشكل منتظم على LSTM؛ الاختيار تجريبي.

متى تُستخدم؟ ومتى لا؟

تناسب

  • حين تكون الموارد محدودة مع حاجة إلى ذاكرة.

لا تناسب

  • سياقات طويلة جداً تتطلب توازياً.

التطبيقات

المجالالاستخدام
التنبؤ بالسلاسل الزمنيةالتنبؤ بالطلب والطاقة والأسعار.
معالجة اللغة الطبيعيةنمذجة اللغة والتعرف على الكلام (تاريخياً).
تحليل الصور الطبيةتحليل الإشارات الحيوية مثل ECG وEEG.
الروبوتاتالتحكم المتسلسل والتنبؤ بالحركة.

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)
# GRU — التنبؤ بالقيمة التالية
# 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 GRUForecaster(nn.Module):
    def __init__(self, d_in=1, h=32):
        super().__init__()
        self.gru = nn.GRU(d_in, h, batch_first=True)
        self.out = nn.Linear(h, 1)
    def forward(self, x):
        H, _ = self.gru(x)
        return self.out(H[:, -1])

# 3) إعداد البيانات
# التنبؤ بالقيمة التالية لمجموع موجتين بأطوار وترددات عشوائية
def make(n, T=30):
    w1, w2 = torch.rand(n, 1) * 0.3 + 0.1, torch.rand(n, 1) * 0.1 + 0.02
    t = torch.rand(n, 1) * 50 + torch.arange(T + 1).float()
    s = torch.sin(w1 * t) + 0.5 * torch.sin(w2 * t) + 0.03 * torch.randn(n, T + 1)
    return s[:, :T, None], s[:, T:]
X_train, y_train = make(800)
X_test, y_test = make(200)

model = GRUForecaster()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=5e-3)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 15, 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)
    mse = F.mse_loss(out, y_test).item()
    print(f"test MSE = {mse:.4f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("prediction:", out.squeeze().tolist())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 4.7 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test MSE = 0.0047

عدد المعاملات القابلة للتدريب في المثال: model = 3٬393.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي1997

الذاكرة الطويلة قصيرة المدى

Long Short-Term Memory (LSTM)

شبكة متكررة بخلية ذاكرة وبوابات (نسيان، إدخال، إخراج) تتحكم بما يُحفظ وما يُمحى، فتتعلم اعتماديات بعيدة أفضل بكثير من RNN البسيطة.

الشبكات الزمنية والمتسلسلة

مبتدئ1990

الشبكة العصبية المتكررة

Recurrent Neural Network (RNN)

شبكة تعالج التسلسل عنصراً بعنصر وتحمل حالة مخفية تنقل المعلومات من الخطوات السابقة، باستخدام الأوزان نفسها في كل خطوة.

الشبكات الزمنية والمتسلسلة

أساسي2014

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.

الشبكات الزمنية والمتسلسلةالمعماريات الهجينة

متقدم2020

الشبكات البيانية الزمنية

Temporal Graph Networks (TGN)

إطار لتعلم تمثيلات على رسوم ديناميكية تمثَّل كتيار من الأحداث المؤقتة، باستخدام ذاكرة لكل عقدة تُحدَّث بالأحداث ووحدة تضمين تجمع الجيران الزمنيين.

الشبكات الزمنية والمتسلسلةالشبكات العصبية البيانية

أفكار بحثية

  • مقارنة منهجية لـ GRU وLSTM على بيانات EEG عربية مع ضبط متساوٍ للمعاملات الفائقة.

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

اختبر فهمك

  1. مفهوم

    كم بوابة في GRU؟

  2. رياضي

    في صيغة PyTorch، إذا كانت $z_t=1$ فما $h_t$؟

  3. مقارنة

    ما الادعاء الأدق عن GRU مقابل LSTM؟

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. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

    DOIتحقق آلي عبر Crossref – 2026-11-20