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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبية

التعلم العميق باستخدام MATLAB

الشبكات العصبية الالتفافية (CNN)

Convolutional Neural Networks (CNN)

متوسط 45 دقيقة

عملية الالتفاف والحشو والخطوة والتجميع، وحساب أبعاد الخرج وعدد المعاملات، وبناء CNN لتصنيف الأرقام في Deep Learning Toolbox.

ستتعلم في هذا الدرس

  • تطبيق الالتفاف ثنائي الأبعاد يدوياً
  • حساب أبعاد الخرج وعدد المعاملات لكل طبقة
  • فهم Max Pooling والتطبيع الدفعي Batch Normalization
  • بناء CNN وتدريبها على مجموعة DigitDataset المضمنة

الالتفاف خطوة بخطوة

I = magic(4);
K = [1 0; 0 -1];              % مرشح قطري
out = zeros(3);
for r = 1:3
    for c = 1:3
        patch = I(r:r+1, c:c+1);
        out(r, c) = sum(patch(:) .* K(:));   % ارتباط متقاطع كما في CNN
    end
end
fprintf('manual  = %s\n', mat2str(out));
fprintf('conv2   = %s\n', mat2str(conv2(I, rot90(K, 2), 'valid')));
fprintf('filter2 = %s\n', mat2str(filter2(K, I, 'valid')));
الناتج الفعلي (شُغِّل في GNU Octave 8.4 أثناء إعداد الدرس، والطباعة بـ fprintf/disp فتطابق MATLAB)
manual  = [5 -8 -5;-2 5 -2;-5 -8 5]
conv2   = [5 -8 -5;-2 5 -2;-5 -8 5]
filter2 = [5 -8 -5;-2 5 -2;-5 -8 5]

conv2 تقلب المرشح (التفاف رياضي)، لذلك نقلبه بـ rot90(K,2) لنحصل على ما تحسبه طبقات CNN، بينما filter2 تحسب الارتباط مباشرة.

التجميع وأبعاد الخرج

A = [1 3 2 4; 5 6 1 2; 7 2 9 1; 0 4 3 8];
P = zeros(2);
for r = 1:2
    for c = 1:2
        blk = A(2*r-1:2*r, 2*c-1:2*c);
        P(r, c) = max(blk(:));
    end
end
fprintf('maxpool 2x2/2 = %s\n', mat2str(P));
outSize = @(N, K, P, S) floor((N + 2*P - K) / S) + 1;
fprintf('28x28, 3x3 same (P=1), S=1 -> %d\n', outSize(28, 3, 1, 1));
fprintf('28x28, 5x5 valid, S=1      -> %d\n', outSize(28, 5, 0, 1));
fprintf('224x224, 7x7, P=3, S=2     -> %d\n', outSize(224, 7, 3, 2));
params = @(K, Cin, Cout) (K*K*Cin + 1) * Cout;
fprintf('conv 3x3, 1->8 channels: %d params\n', params(3, 1, 8));
fprintf('conv 3x3, 64->128:       %d params\n', params(3, 64, 128));
الناتج الفعلي (شُغِّل في GNU Octave 8.4 أثناء إعداد الدرس، والطباعة بـ fprintf/disp فتطابق MATLAB)
maxpool 2x2/2 = [6 4;7 9]
28x28, 3x3 same (P=1), S=1 -> 28
28x28, 5x5 valid, S=1      -> 24
224x224, 7x7, P=3, S=2     -> 112
conv 3x3, 1->8 channels: 80 params
conv 3x3, 64->128:       73856 params

CNN لتصنيف الأرقام

digitPath = fullfile(matlabroot, 'toolbox', 'nnet', 'nndemos', 'nndatasets', 'DigitDataset');
imds = imageDatastore(digitPath, 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[imdsTrain, imdsVal] = splitEachLabel(imds, 0.8, 'randomized');
layers = [
    imageInputLayer([28 28 1])
    convolution2dLayer(3, 8, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    convolution2dLayer(3, 16, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling2dLayer(2, 'Stride', 2)
    fullyConnectedLayer(10)
    softmaxLayer];
options = trainingOptions('sgdm', 'InitialLearnRate', 0.01, 'MaxEpochs', 4, ...
    'ValidationData', imdsVal, 'Metrics', 'accuracy', 'Plots', 'training-progress');
net = trainnet(imdsTrain, layers, 'crossentropy', options);
scores = minibatchpredict(net, imdsVal);
YPred = scores2label(scores, categories(imdsTrain.Labels));
accuracy = mean(YPred == imdsVal.Labels)

يتطلب هذا الكود: Deep Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.

الدوال trainnet وminibatchpredict وscores2label وimagePretrainedNetwork جاءت في Deep Learning Toolbox بين R2023b وR2024a. في الإصدارات الأقدم تُستخدم trainNetwork مع classificationLayer وclassify. مجموعة DigitDataset (10000 صورة 28×28) مرفقة مع Deep Learning Toolbox.

افتح «مصوّر CNN» لترى خرائط الميزات بعد كل طبقة لصورة ترسمها بنفسك، و«حاسبة الالتفاف» لأبعاد أي طبقة.

خلاصة الدرس

  • الالتفاف يمرر مرشحاً صغيراً على الصورة فيستخرج ميزات محلية بأوزان مشتركة.
  • حجم الخرج = floor((N + 2P − K)/S) + 1.
  • معاملات طبقة التفاف = (K×K×Cin + 1)×Cout.
  • Max Pooling يقلل الأبعاد ويضيف مقاومة بسيطة للإزاحة.
  • convolution2dLayer في MATLAB تجري ارتباطاً متقاطعاً (Cross-correlation) كما في معظم أطر التعلم العميق.

شُغّلت conv_manual.m وpool_shapes.m في GNU Octave 8.4. مثال تدريب CNN يحتاج Deep Learning Toolbox ولم يُشغّل.

المتطلبات البرمجية

  • MATLAB
  • Deep Learning Toolbox

بعض هذه الأدوات (Toolboxes) تُرخَّص منفصلة عن MATLAB. تحقق من توفرها بالأمر ver في Command Window.

جرّب بنفسك في المختبرمصوّر الشبكات الالتفافيةأداة مرتبطةحاسبة الالتفاف

المراجع

تحقّق من فهمك