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

مبتدئالشبكات الزمنية والمتسلسلة

الشبكة العصبية المتكررة (RNN)

Recurrent Neural Network

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

نظرة عامة

الاسمالشبكة العصبية المتكررة – Recurrent Neural Network
سنة الظهور1990
الباحثونJeffrey L. Elman
الورقة الأصليةFinding structure in time DOI
نوع البياناتتسلسلات وسلاسل زمنية، نصوص
المجالاتالتنبؤ بالسلاسل الزمنية، الصوت والكلام، معالجة اللغة الطبيعية

المشكلة التي تحلها

الشبكات الأمامية تتطلب مدخلات ثابتة الطول ولا تحتفظ بذاكرة للسياق السابق في النص أو الإشارات.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات

  1. 1990

    قدم Elman الشبكة البسيطة المتكررة في "Finding Structure in Time". [مرجع]

  2. 1994

    بيّن Bengio وزملاؤه صعوبة تعلم الاعتماديات البعيدة بالانحدار (تلاشي التدرّج). [مرجع]

  3. 1997

    جاءت LSTM لمعالجة المشكلة. [مرجع]

الفكرة الأساسية

في كل خطوة تُدمج الحالة السابقة مع الدخل الحالي بتحويل خطي وتنشيط Tanh. التدريب يتم بالانتشار العكسي عبر الزمن (BPTT) بفرد الشبكة على طول التسلسل.

مثال: عند قراءة جملة كلمة بكلمة، تحمل الحالة المخفية معلومة عن الكلمات السابقة لتوقع الكلمة التالية.

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
Input x_tعنصر التسلسل الحالي
Hidden state h_tالذاكرة
Recurrent weights W_hhمشتركة عبر الزمن
ActivationTanh
Outputطبقة خطية على h_t أو الحالة الأخيرة
BPTTالانتشار العكسي عبر الزمن

المعادلات

1. تحديث الحالة

$$h_t=\tanh\!\left(W_{xh}x_t+W_{hh}h_{t-1}+b_h\right),\qquad y_t=W_{hy}h_t+b_y$$

الرموز
$h_t$الحالة المخفية
$W_{hh}$أوزان التكرار
الأبعاد
$W_{xh}\in\mathbb{R}^{h\times d}$، $W_{hh}\in\mathbb{R}^{h\times h}$
مثال عددي
حالة عددية: $W_{xh}=1$، $W_{hh}=0.5$، $h_0=0$، $x=(1,1)$ ⇒ $h_1=\tanh(1)\approx0.762$، $h_2=\tanh(1.381)\approx0.881$.
علاقتها بالمعمارية
هي جوهر المعالجة المتسلسلة.

2. تلاشي التدرّج

$$\frac{\partial h_T}{\partial h_1}=\prod_{t=2}^{T}\mathrm{diag}\!\left(1-h_t^2\right)W_{hh}$$

الرموز
$\mathrm{diag}(1-h_t^2)$مشتقة tanh
الأبعاد
$h\times h$
مثال عددي
إذا كان كل عامل في الحالة العددية $0.5$ ولـ $T=20$ فإن الناتج $0.5^{19}\approx1.9\times10^{-6}$.
علاقتها بالمعمارية
يفسّر صعوبة تعلم الاعتماديات البعيدة.

آلية العمل خطوة بخطوة

  1. تُهيأ الحالة بصفر.
  2. تُحدّث الحالة بكل عنصر من التسلسل.
  3. يُحسب الخرج من الحالات.
  4. تُحسب الخسارة.
  5. يُطبق BPTT لحساب التدرّجات.

المزايا والقيود

المزايا

  • بسيطة وقليلة المعاملات.
  • تعالج تسلسلات بأطوال متغيرة.

القيود

  • تلاشي التدرّج وانفجاره.
  • معالجة متسلسلة لا تقبل التوازي على طول التسلسل.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تسلسلات قصيرة وتعليم المفاهيم.

لا تناسب

  • اعتماديات بعيدة؛ استخدم LSTM أو GRU أو Transformer أو SSM.

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)
# Elman RNN — مهمة ذاكرة قصيرة
# 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 RNNClassifier(nn.Module):
    def __init__(self, d_in=1, h=32, n_classes=2):
        super().__init__()
        self.rnn = nn.RNN(d_in, h, batch_first=True, nonlinearity='tanh')
        self.out = nn.Linear(h, n_classes)
    def forward(self, x):
        _, h_T = self.rnn(x)               # الحالة الأخيرة
        return self.out(h_T[-1])

# 3) إعداد البيانات
# مهمة ذاكرة: الإشارة (±1) تظهر في الخطوة الأولى فقط، ثم ضوضاء؛ الفئة = إشارة البداية
def make(n, T=10):
    y = torch.randint(0, 2, (n,))
    X = torch.randn(n, T, 1) * 0.2
    X[:, 0, 0] = y.float() * 2 - 1
    return X, y
X_train, y_train = make(800)
X_test, y_test = make(200)

model = RNNClassifier()

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

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 1٬186.

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

أساسي2014

الوحدة المتكررة ذات البوابات

Gated Recurrent Unit (GRU)

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

الشبكات الزمنية والمتسلسلة

أساسي1997

LSTM ثنائية الاتجاه

Bidirectional LSTM (BiLSTM)

طبقتان متكررتان تقرأ إحداهما التسلسل من البداية والأخرى من النهاية، وتُربط حالتاهما فيرى كل موضع سياقه السابق واللاحق.

الشبكات الزمنية والمتسلسلة

أساسي2004

حوسبة الخزان

Reservoir Computing (ESN / LSM)

شبكة متكررة كبيرة بأوزان عشوائية ثابتة (الخزان) تحوّل الدخل إلى حالات غنية، ولا يُدرَّب إلا طبقة القراءة الخطية، غالباً بانحدار ريدج مغلق الصيغة.

الشبكات الزمنية والمتسلسلةالمعماريات العصبية المتقدمة

أفكار بحثية

  • مقارنة RNN وLSTM وTCN على سلاسل استهلاك طاقة محلية مع تحليل طول السياق.

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

اختبر فهمك

  1. مفهوم

    ما سبب صعوبة تعلم الاعتماديات البعيدة في RNN البسيطة؟

  2. مفهوم

    هل تتغير أوزان RNN من خطوة زمنية إلى أخرى؟

  3. مفهوم

    ما اسم خوارزمية تدريب RNN؟

المراجع

  1. Elman, J. L. (1990). Finding structure in time. Cognitive Science, 14(2), 179–211. https://doi.org/10.1207/s15516709cog1402_1

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157–166. https://doi.org/10.1109/72.279181

    DOIتحقق آلي عبر Crossref – 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