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

أساسيالمعماريات الهجينة

الشبكات العصبية متعددة الفروع (Multi-Branch)

Multi-Branch Neural Networks

معماريات تعالج الدخل نفسه أو مدخلات مختلفة عبر فروع متوازية (أحجام نوى مختلفة، أو وسائط مختلفة، أو مقاييس مختلفة) ثم تدمج النتائج بالضم أو الجمع.

نظرة عامة

الاسمالشبكات العصبية متعددة الفروع – Multi-Branch Neural Networks
سنة الظهور2015
الباحثونمثال مرجعي: Christian Szegedy وزملاؤه (Inception/GoogLeNet)؛ وأيضاً Simonyan وZisserman (الشبكات ثنائية التدفق 2014)
الجهةGoogle
الورقة الأصليةGoing deeper with convolutions DOI arXiv
نوع البياناتصور، تسلسلات وسلاسل زمنية، بيانات جدولية
المجالاتالرؤية الحاسوبية، الصوت والكلام، تحليل الصور الطبية
الكلفة الحسابيةمجموع تكلفة الفروع.
حجم البياناتصغيرة إلى كبيرة.

المشكلة التي تحلها

اختيار حجم نواة أو تمثيل واحد قد لا يناسب كل الأنماط؛ والبيانات متعددة المصادر تحتاج معالجة متخصصة لكل مصدر قبل الدمج.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية

  1. 2014

    الشبكات ثنائية التدفق للفيديو: فرع للمظهر وفرع للتدفق البصري. [مرجع]

  2. 2015

    Inception/GoogLeNet: فروع 1×1 و3×3 و5×5 وتجميع (فاز بـ ILSVRC 2014). [مرجع]

  3. 2017

    ResNeXt: فروع متجانسة كثيرة (cardinality) مع وصلة متبقية. [مرجع]

الفكرة الأساسية

في Inception يرى كل فرع الدخل بمقياس مختلف، ويسبق الالتفافات الكبيرة التفاف 1×1 لتقليل القنوات فتبقى التكلفة معقولة. في الشبكات متعددة المدخلات يتخصص كل فرع بوسيط (صورة، بيانات سريرية) ثم تُدمج السمات.

مثال: تشخيص يدمج فرعاً لصورة الأشعة وفرعاً للبيانات المخبرية الجدولية.

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
Parallel branchesنوى أو وسائط مختلفة
1×1 bottleneckتقليل القنوات
Fusionضم أو جمع
Optional residualكما في ResNeXt

المعادلات

1. الدمج بالضم

$$y=\big[f_1(x)\,\|\,f_2(x)\,\|\,\dots\,\|\,f_K(x)\big],\qquad C_{out}=\sum_kC_k$$

الرموز
$f_k$الفرع k
$\|$ضم القنوات
الأبعاد
$y\in\mathbb{R}^{C_{out}\times H\times W}$
مثال عددي
فروع بقنوات 64 و128 و32 و32 ⇒ $C_{out}=256$ (كتلة inception 3a في GoogLeNet).
علاقتها بالمعمارية
كل فرع يضيف نوعاً من السمات.

2. توفير التفاف 1×1

$$\#\text{params}_{direct}=k^2C_{in}C_{out}\quad\text{vs}\quad C_{in}C_r+k^2C_rC_{out}$$

الرموز
$C_r$قنوات التقليل
الأبعاد
عدد معاملات (دون انحيازات)
مثال عددي
$C_{in}=192$، $k=5$، $C_{out}=32$: مباشر $153{,}600$، ومع $C_r=16$: $3{,}072+12{,}800=15{,}872$ (أقل بنحو 10 مرات).
علاقتها بالمعمارية
يجعل الفروع الكبيرة ممكنة.

آلية العمل خطوة بخطوة

  1. مرّر الدخل إلى الفروع.
  2. طبّق معالجة كل فرع.
  3. ادمج.
  4. تابع الكتل التالية أو الرأس.

المزايا والقيود

المزايا

  • سمات متعددة المقاييس.
  • دمج طبيعي للوسائط.
  • كفاءة مع اختناقات 1×1.

القيود

  • تصميم يدوي معقد.
  • الفروع قد تختلف في سرعة التعلم.
  • ذاكرة أكبر.

متى تُستخدم؟ ومتى لا؟

تناسب

  • أنماط بمقاييس متعددة.
  • بيانات متعددة الوسائط.

لا تناسب

  • مهام بسيطة تكفيها سلسلة طبقات.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةالتصنيف (Inception).
تحليل الصور الطبيةدمج الصورة مع البيانات السريرية.
الصوت والكلامدمج تمثيلات طيفية وزمنية.

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)
# Inception متعدد الفروع: أنماط بمقاييس مختلفة
# 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 InceptionBlock(nn.Module):
    """كتلة متعددة الفروع: التفافات بأحجام مختلفة على الدخل نفسه بالتوازي، ثم ضم القنوات."""
    def __init__(self, ci, c1=8, c3=8, c5=8, cp=8):
        super().__init__()
        self.b1 = nn.Sequential(nn.Conv2d(ci, c1, 1), nn.ReLU())
        self.b3 = nn.Sequential(nn.Conv2d(ci, 8, 1), nn.ReLU(), nn.Conv2d(8, c3, 3, padding=1), nn.ReLU())   # 1×1 لتقليل القنوات أولاً
        self.b5 = nn.Sequential(nn.Conv2d(ci, 8, 1), nn.ReLU(), nn.Conv2d(8, c5, 5, padding=2), nn.ReLU())
        self.bp = nn.Sequential(nn.MaxPool2d(3, 1, 1), nn.Conv2d(ci, cp, 1), nn.ReLU())
    def forward(self, x):
        return torch.cat([self.b1(x), self.b3(x), self.b5(x), self.bp(x)], 1)

class MultiBranchNet(nn.Module):
    def __init__(self, n_classes=3):
        super().__init__()
        self.stem = nn.Sequential(nn.Conv2d(1, 16, 3, padding=1), nn.ReLU())
        self.inc1 = InceptionBlock(16)                      # → 32 قناة
        self.inc2 = nn.Sequential(nn.MaxPool2d(2), InceptionBlock(32))
        self.head = nn.Linear(32, n_classes)
    def forward(self, x):
        return self.head(self.inc2(self.inc1(self.stem(x))).mean((2, 3)))

# 3) إعداد البيانات
# فئات تختلف في المقياس: نقطة صغيرة (0)، بقعة متوسطة (1)، حلقة كبيرة (2) — الفروع بأحجام نوى مختلفة تفيد هنا
def make(n, S=16):
    yy, xx = torch.meshgrid(torch.arange(S).float(), torch.arange(S).float(), indexing='ij')
    y = torch.randint(0, 3, (n,)); X = torch.randn(n, 1, S, S) * 0.3
    for i in range(n):
        cx, cy = torch.randint(5, 11, (2,)).float()
        d = ((xx - cx) ** 2 + (yy - cy) ** 2).sqrt()
        if y[i] == 0:   X[i, 0] += 1.5 * (d < 1.2)
        elif y[i] == 1: X[i, 0] += 1.5 * (d < 2.8)
        else:           X[i, 0] += 1.5 * ((d > 3.5) & (d < 4.8))
    return X, y
X_train, y_train = make(900)
X_test, y_test = make(300)
model = MultiBranchNet()

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

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 10, 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 6.9 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 6٬243.

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

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

متوسط2019

المحوّلات متعددة الوسائط

Multimodal Transformers (MM-Transformer)

محوّلات تعالج أكثر من وسيط (صورة، نص، صوت...) إما في تسلسل واحد مع تضمين نوع الوسيط (أحادي التدفق)، أو في تدفقين يتبادلان المعلومات بانتباه مشترك (ثنائي التدفق).

معماريات المحولات

متوسط1991

خليط الخبراء

Mixture of Experts (MoE)

عدة شبكات "خبيرة" وشبكة بوابة تقرر، لكل دخل، وزن كل خبير في الخرج. يتعلم الخبراء التخصص في مناطق مختلفة من فضاء الدخل، فيُقسَّم العمل تلقائياً.

المعماريات المتخصصة

أفكار بحثية

  • شبكة متعددة الفروع تدمج صور الماموغرام مع البيانات السريرية مع تحليل مساهمة كل فرع.

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

اختبر فهمك

  1. مفهوم

    ما فائدة التفاف 1×1 قبل 5×5 في Inception؟

  2. مفهوم

    أربعة فروع بقنوات 16 و32 و8 و8، ما قنوات الخرج بعد الضم؟

  3. مفهوم

    ما الفرعان في الشبكة ثنائية التدفق للفيديو؟

المراجع

  1. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. https://doi.org/10.1109/CVPR.2015.7298594

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Simonyan, K., & Zisserman, A. (2014). Two-stream convolutional networks for action recognition in videos. Advances in Neural Information Processing Systems (NeurIPS) 27. https://arxiv.org/abs/1406.2199

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

  3. Xie, S., Girshick, R., Dollár, P., Tu, Z., & He, K. (2017). Aggregated residual transformations for deep neural networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5987–5995. https://doi.org/10.1109/CVPR.2017.634

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20