التعلم العميق باستخدام MATLAB
الشبكات العصبية الالتفافية (CNN)
Convolutional Neural Networks (CNN)
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')));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));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.
