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

أساسيالأساسيات

الشبكة المتبقية (ResNet)

Residual Network

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

نظرة عامة

الاسمالشبكة المتبقية – Residual Network
سنة الظهور2016
الباحثونKaiming He، Xiangyu Zhang، Shaoqing Ren، Jian Sun
الجهةMicrosoft Research
الورقة الأصليةDeep residual learning for image recognition DOI arXiv
نوع البياناتصور
المجالاتالرؤية الحاسوبية، تحليل الصور الطبية
الكلفة الحسابيةتعتمد على العمق؛ ResNet-50 أثقل من ResNet-18 بعدة مرات في العمليات.
حجم البياناتمع التعلم الانتقالي من ImageNet تكفي مجموعات صغيرة.

المشكلة التي تحلها

لاحظ الباحثون أن زيادة عمق الشبكات العادية تؤدي إلى خطأ تدريب أعلى (مشكلة التدهور degradation)، وليس فقط إلى إفراط في التكيّف.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، VGG

  1. 2015

    نُشرت النسخة الأولى على arXiv وفازت بمسابقة ILSVRC 2015 للتصنيف. [مرجع]

  2. 2016

    نُشر البحث في CVPR 2016. [مرجع]

  3. 2017

    وسّعت ResNeXt الفكرة بمسارات متوازية مجمّعة. [مرجع]

الفكرة الأساسية

إذا كان التحويل المطلوب قريباً من الهوية، فمن الأسهل أن تتعلم الكتلة $F(x)\approx0$ من أن تتعلم الهوية بطبقات غير خطية. لذلك يكون خرج الكتلة $y=F(x)+x$. الوصلة تمرّر التدرّج مباشرة إلى الطبقات الأولى.

مثال: في شبكة من 50 طبقة، إذا لم تكن بعض الكتل مفيدة، يمكن أن تتعلم أوزاناً قريبة من الصفر فتمرر الدخل كما هو دون أن تفسد الأداء.

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
Inputصورة
Stemالتفاف 7×7 وتجميع أولي
Residual Blockالتفافان (أو ثلاثة في Bottleneck) مع BatchNorm وReLU
Skip Connectionجمع الدخل مع الخرج؛ إسقاط 1×1 عند تغير الأبعاد
NormalizationBatchNorm
OutputGlobal Average Pooling ثم Linear

المعادلات

1. الكتلة المتبقية

$$y=\mathcal{F}(x,\{W_i\})+x$$

الرموز
$x$دخل الكتلة
$\mathcal{F}$الفرع المتبقي (التفافات)
$y$الخرج
الأبعاد
نفس أبعاد $x$
مثال عددي
إذا كان $x=(1,2)$ و$\mathcal{F}(x)=(0.1,-0.3)$ فإن $y=(1.1,1.7)$.
علاقتها بالمعمارية
هذا الجمع هو جوهر المعمارية.

2. الإسقاط عند اختلاف الأبعاد

$$y=\mathcal{F}(x)+W_s x$$

الرموز
$W_s$التفاف 1×1 لمطابقة القنوات أو الدقة
الأبعاد
$W_s\in\mathbb{R}^{C_{out}\times C_{in}}$
مثال عددي
من 64 قناة إلى 128 مع خطوة 2: $W_s$ التفاف 1×1 بخطوة 2.
علاقتها بالمعمارية
يسمح بالجمع عند الانتقال بين المراحل.

3. مرور التدرّج

$$\frac{\partial \mathcal{L}}{\partial x}=\frac{\partial \mathcal{L}}{\partial y}\left(1+\frac{\partial \mathcal{F}}{\partial x}\right)$$

الرموز
$\partial\mathcal{L}/\partial y$التدرّج القادم من الطبقة التالية
الأبعاد
نفس أبعاد $x$
مثال عددي
حتى لو كان $\partial\mathcal{F}/\partial x$ صغيراً جداً، يبقى الحد 1 فيمر التدرّج.
علاقتها بالمعمارية
يفسّر سهولة تدريب الشبكات العميقة.

آلية العمل خطوة بخطوة

  1. تمر الصورة بطبقة الجذع (stem).
  2. تعالج كل مرحلة عدة كتل متبقية.
  3. في كل كتلة يُحسب $F(x)$ ثم يضاف إليه $x$.
  4. عند الانتقال بين المراحل تُضاعف القنوات وتُنصّف الدقة.
  5. يُطبق Global Average Pooling.
  6. يُصنّف الخرج بطبقة خطية.

المزايا والقيود

المزايا

  • تسمح بتدريب شبكات عميقة جداً بثبات.
  • عمود فقري (backbone) قياسي لكثير من مهام الرؤية.
  • أوزان مدرّبة مسبقاً متاحة على نطاق واسع.

القيود

  • الشبكات العميقة منها ثقيلة حسابياً.
  • تحيّز محلي كما في CNN؛ العلاقات العالمية تحتاج عمقاً.

متى تُستخدم؟ ومتى لا؟

تناسب

  • عمود فقري للتصنيف والكشف والتجزئة.
  • أساس قوي (baseline) لأي دراسة رؤية حاسوبية.

لا تناسب

  • الأجهزة محدودة الموارد جداً، حيث تفضل MobileNet أو EfficientNet.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةتصنيف الصور وأعمدة فقرية لكاشفات الأجسام.
تحليل الصور الطبيةتصنيف صور الأشعة والتعلم الانتقالي على بيانات طبية صغيرة.

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)
# Residual Network (ResNet) — كتلة متبقية مبسطة
# 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 BasicBlock(nn.Module):
    def __init__(self, c_in, c_out, stride=1):
        super().__init__()
        self.conv1 = nn.Conv2d(c_in, c_out, 3, stride, 1, bias=False); self.bn1 = nn.BatchNorm2d(c_out)
        self.conv2 = nn.Conv2d(c_out, c_out, 3, 1, 1, bias=False);     self.bn2 = nn.BatchNorm2d(c_out)
        self.short = nn.Identity() if (stride == 1 and c_in == c_out) else nn.Sequential(
            nn.Conv2d(c_in, c_out, 1, stride, bias=False), nn.BatchNorm2d(c_out))   # إسقاط W_s
    def forward(self, x):
        out = F.relu(self.bn1(self.conv1(x)))
        out = self.bn2(self.conv2(out))
        return F.relu(out + self.short(x))       # y = F(x) + x

class TinyResNet(nn.Module):
    def __init__(self, n_classes=2):
        super().__init__()
        self.stem = nn.Sequential(nn.Conv2d(1, 16, 3, padding=1, bias=False), nn.BatchNorm2d(16), nn.ReLU())
        self.layers = nn.Sequential(BasicBlock(16, 16), BasicBlock(16, 32, stride=2), BasicBlock(32, 32))
        self.head = nn.Linear(32, n_classes)
    def forward(self, x):
        x = self.layers(self.stem(x))
        return self.head(x.mean(dim=(2, 3)))     # Global Average Pooling

# 3) إعداد البيانات
def make(n):
    X = torch.randn(n, 1, 16, 16) * 0.3
    y = torch.randint(0, 2, (n,))
    pos = torch.randint(2, 14, (n,))
    for i in range(n):
        if y[i] == 0: X[i, 0, pos[i], 2:14] += 1.5
        else:         X[i, 0, 2:14, pos[i]] += 1.5
    return X, y
X_train, y_train = make(512)
X_test, y_test = make(128)
model = TinyResNet()

# 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 = 5, 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 3.3 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 38٬002.

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

أساسي2015

الشبكات العصبية متعددة الفروع

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.

المعماريات الهجينة

متقدم2019

نماذج التوازن العميق

Deep Equilibrium Models (DEQ)

بدلاً من تكديس L طبقة، يبحث النموذج عن نقطة ثابتة لطبقة واحدة z^*=f_θ(z^*,x) كأنها شبكة بعمق لانهائي بأوزان مشتركة، ويحسب التدرّج ضمنياً دون تخزين الخطوات.

المعماريات العصبية المتقدمة

أساسي2015

يو-نت

U-Net

معمارية تجزئة على شكل حرف U: مسار تقليص يلتقط السياق، ومسار توسيع يستعيد الدقة المكانية، مع وصلات تخطٍّ تنقل التفاصيل الدقيقة بين المستويات المتقابلة.

الأساسياتالمعماريات الهجينة

أفكار بحثية

  • دراسة أثر وصلات التخطي على قابلية التفسير بخرائط Grad-CAM في الصور الطبية.

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

اختبر فهمك

  1. مفهوم

    ما الذي تتعلمه الكتلة المتبقية في ResNet؟

  2. مفهوم

    ما المشكلة التي عالجتها ResNet أساساً؟

  3. مفهوم

    متى نحتاج التفاف 1×1 في وصلة التخطي؟

المراجع

  1. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Ioffe, S., & Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. International Conference on Machine Learning (ICML), PMLR 37, 448–456. https://arxiv.org/abs/1502.03167

    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