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

مبتدئالأساسيات

الإدراك متعدد الطبقات (MLP)

Multilayer Perceptron

شبكة من طبقات خطية متتالية تفصل بينها دوال تنشيط غير خطية، وهي اللبنة الأولى التي تُبنى عليها معظم المعماريات الحديثة.

نظرة عامة

الاسمالإدراك متعدد الطبقات – Multilayer Perceptron
سنة الظهور1986
الباحثونDavid E. Rumelhart، Geoffrey E. Hinton، Ronald J. Williams (تعميم الانتشار العكسي)
الورقة الأصليةLearning representations by back-propagating errors DOI
نوع البياناتبيانات جدولية، صور
المجالاتالتنبؤ بالسلاسل الزمنية، الحوسبة العلمية، الرؤية الحاسوبية، معالجة اللغة الطبيعية
الكلفة الحسابيةمنخفضة: عدد العمليات يتناسب مع مجموع حواصل ضرب أبعاد الطبقات المتتالية.
حجم البياناتمن مئات إلى عشرات آلاف العيّنات للبيانات الجدولية.

المشكلة التي تحلها

الإدراك أحادي الطبقة (Perceptron) لا يستطيع تمثيل مسائل غير قابلة للفصل خطياً مثل XOR. احتاج الباحثون إلى طبقات مخفية وطريقة فعّالة لحساب تدرّجاتها.

الخلفية والتطور

ما قبلها: Perceptron (Rosenblatt, 1958)

  1. 1986

    نشر Rumelhart وHinton وWilliams خوارزمية الانتشار العكسي لتدريب الطبقات المخفية. [مرجع]

  2. 1989

    أثبت Cybenko أن طبقة مخفية واحدة بعدد كافٍ من الوحدات تقرّب أي دالة مستمرة على مجموعة متراصّة. [مرجع]

  3. 2014

    شاع استخدام Dropout لتقليل الإفراط في التكيّف. [مرجع]

الفكرة الأساسية

كل طبقة تحسب تحويلاً خطياً $Wx+b$ ثم تمرّره عبر دالة غير خطية. تراكم الطبقات يسمح بتمثيل حدود قرار معقدة. التدريب يتم بحساب التدرّج لكل وزن عبر قاعدة السلسلة (الانتشار العكسي) ثم تحديث الأوزان بالانحدار.

مثال: لتصنيف زهرة إلى ثلاثة أنواع من أربع قياسات، تأخذ الشبكة متجهاً طوله 4، وتمرّره بطبقة مخفية من 16 وحدة مع ReLU، ثم طبقة خرج من 3 وحدات تعطي احتمالات الأنواع بعد Softmax.

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
Inputمتجه السمات $x\in\mathbb{R}^{d}$
Hidden Layersطبقات Linear متتالية
Activation FunctionsReLU أو GELU أو Tanh لإدخال اللاخطية
Outputطبقة خطية بعدد الفئات أو المتغيرات
Loss FunctionCross-Entropy للتصنيف وMSE للانحدار
Training Processانتشار عكسي + SGD/Adam

المعادلات

1. التحويل الأمامي لطبقة

$$h^{(l)}=\sigma\!\left(W^{(l)}h^{(l-1)}+b^{(l)}\right)$$

الرموز
$h^{(l)}$خرج الطبقة l
$W^{(l)}$مصفوفة الأوزان
$b^{(l)}$متجه الانحياز
$\sigma$دالة التنشيط
الأبعاد
$W^{(l)}\in\mathbb{R}^{d_l\times d_{l-1}}$ و$h^{(l)}\in\mathbb{R}^{d_l}$
مثال عددي
إذا كان $x=(1,2)$ و$W=\begin{pmatrix}1&-1\\0.5&0.5\end{pmatrix}$ و$b=0$ فإن $Wx=(-1,1.5)$ وبعد ReLU نحصل على $(0,1.5)$.
علاقتها بالمعمارية
هذه هي العملية التي تتكرر في كل طبقة مخفية.

2. خسارة الإنتروبيا التقاطعية

$$\mathcal{L}=-\sum_{c=1}^{C} y_c\log \hat{y}_c$$

الرموز
$y_c$التسمية الحقيقية (one-hot)
$\hat{y}_c$الاحتمال المتنبأ به للفئة c
الأبعاد
عدد قياسي لكل عيّنة
مثال عددي
إذا كانت الفئة الصحيحة هي الثانية و$\hat{y}=(0.2,0.7,0.1)$ فإن $\mathcal{L}=-\log 0.7\approx0.357$.
علاقتها بالمعمارية
هي الهدف الذي يقلّله التدريب في مهام التصنيف.

3. قاعدة التحديث بالانحدار

$$W\leftarrow W-\eta\,\frac{\partial \mathcal{L}}{\partial W}$$

الرموز
$\eta$معدل التعلّم
$\partial\mathcal{L}/\partial W$التدرّج المحسوب بالانتشار العكسي
الأبعاد
نفس أبعاد W
مثال عددي
إذا كان $W=0.5$ والتدرّج $0.2$ و$\eta=0.1$ يصبح الوزن $0.48$.
علاقتها بالمعمارية
تربط حساب التدرّج بتحديث المعاملات.

آلية العمل خطوة بخطوة

  1. تُطبّع السمات (Standardization).
  2. تمر العيّنة بالطبقة الخطية الأولى ثم دالة التنشيط.
  3. تتكرر العملية في كل طبقة مخفية.
  4. تعطي طبقة الخرج القيم الخام (logits).
  5. تُحسب الخسارة مقارنة بالتسمية.
  6. يُحسب التدرّج بالانتشار العكسي وتُحدَّث الأوزان.

المزايا والقيود

المزايا

  • بسيطة وسريعة وسهلة التنفيذ.
  • مقرِّب عام للدوال من الناحية النظرية.
  • مناسبة للبيانات الجدولية الصغيرة والمتوسطة.

القيود

  • لا تستغل البنية المكانية أو الزمنية في البيانات.
  • عدد المعاملات يكبر بسرعة مع حجم المدخلات (مثل الصور).
  • عرضة للإفراط في التكيّف دون تنظيم.

متى تُستخدم؟ ومتى لا؟

تناسب

  • بيانات جدولية بسمات ثابتة الطول.
  • رأس تصنيف (head) فوق سمات مستخرجة من شبكة أخرى.

لا تناسب

  • الصور الخام والنصوص الطويلة، حيث تتفوق CNN وTransformer بفضل التحيّز الاستقرائي المناسب.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةرأس التصنيف في نهاية CNN وViT.
معالجة اللغة الطبيعيةطبقة Feed-Forward داخل كل كتلة Transformer هي MLP من طبقتين.
الحوسبة العلميةتقريب الدوال في PINNs وDeepONet.
التنبؤ بالسلاسل الزمنيةتنبؤ قصير الأمد من نوافذ ثابتة الطول.

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)
# Multilayer Perceptron (MLP)
# 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 MLP(nn.Module):
    def __init__(self, d_in=4, d_hidden=32, n_classes=3):
        super().__init__()
        self.net = nn.Sequential(nn.Linear(d_in, d_hidden), nn.ReLU(), nn.Dropout(0.1),
                                 nn.Linear(d_hidden, d_hidden), nn.ReLU(), nn.Linear(d_hidden, n_classes))
    def forward(self, x):
        return self.net(x)          # logits

# 3) إعداد البيانات
# ثلاث فئات حول ثلاثة مراكز في فضاء رباعي الأبعاد
centers = torch.tensor([[0., 0, 0, 0], [3, 3, 0, 0], [0, 3, 3, 3]])
y = torch.randint(0, 3, (600,))
X = centers[y] + torch.randn(600, 4)
X_train, y_train, X_test, y_test = X[:480], y[:480], X[480:], y[480:]
model = MLP()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 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)
    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 2.7 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 0.967

عدد المعاملات القابلة للتدريب في المثال: model = 1٬315.

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

جرّب وتعمّق

معماريات مرتبطة

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

متقدم2024

شبكات كولموغوروف–أرنولد

Kolmogorov–Arnold Networks (KAN)

شبكات تضع دوال تنشيط قابلة للتعلم (منحنيات B-spline) على الحواف بدلاً من أوزان ثابتة، بينما تجمع العقد مدخلاتها بالجمع فقط، استلهاماً من نظرية تمثيل كولموغوروف–أرنولد.

المعماريات العصبية المتقدمة

أساسي2016

الشبكة المتبقية

Residual Network (ResNet)

تضيف وصلات تخطٍّ (skip connections) تجعل كل كتلة تتعلم الفرق المتبقي F(x) بدلاً من التحويل الكامل، فيصبح تدريب شبكات بمئات الطبقات ممكناً.

الأساسيات

أفكار بحثية

  • مقارنة MLP الحديثة المنظَّمة جيداً مع نماذج الأشجار المعززة على بيانات جدولية طبية.
  • دراسة أثر عمق MLP مقابل عرضها على التعميم في بيانات صغيرة.

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

اختبر فهمك

  1. مفهوم

    لماذا نحتاج إلى دالة تنشيط غير خطية بين الطبقات الخطية في MLP؟

  2. رياضي

    ما خرج ReLU للمتجه $(-2, 0.5, 3)$؟

  3. مفهوم

    ما الخسارة المناسبة عادة لتصنيف متعدد الفئات بخرج Softmax؟

المراجع

  1. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, 2(4), 303–314. https://doi.org/10.1007/BF02551274

    DOIتحقق آلي عبر Crossref – 2026-11-20

  3. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(56), 1929–1958. https://jmlr.org/papers/v15/srivastava14a.html

    الناشرمرجع بلا DOI أو arXiv: تحقق يدوي من بيانات الناشر

  4. Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1412.6980

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