فكرة الانتباه
دع النموذج يركّز على ما يهم
فكرة الانتباه درس مجاني في NLP Academy على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في NLP Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة NLP Academy 4 دروس في المجموع.
بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.
Why Attention?
When you read a sentence, you do not weigh every word equally. Attention gives a model that same power to focus on what matters. 🎯
The Bottleneck Problem
Older models squeezed a whole sentence into one fixed vector. That bottleneck lost detail, especially for long inputs that carry many ideas.
Look Back at Everything
Instead of one summary vector, attention lets the model look back at every input word whenever it needs to, picking what is relevant right now.
Attention as Weights
Attention assigns each word a weight between 0 and 1. Higher weight means more focus; the weights for one step always add up to 1.
A Weighted Average
The output is a weighted average of the input vectors. Words with big weights shape the result; words with tiny weights barely matter.
weights = [0.7, 0.2, 0.1]
output = sum(w * v for w, v in zip(weights, vectors))Translation Example
Translating "the cat sat" into French, the model can align each output word to the right source word instead of guessing from one blob.
Soft, Not Hard
Attention is soft: it spreads focus across all words by degree, rather than hard-picking just one. That makes it smooth and trainable.
Computing Relevance
To set the weights, the model scores how relevant each word is to the current step, then turns those scores into a probability spread.
Softmax Turns Scores Into Weights
Raw scores can be any number, so softmax squashes them into positive weights that sum to 1 and emphasize the largest score.
import numpy as np
def softmax(s):
e = np.exp(s - np.max(s))
return e / e.sum()Handling Long Inputs
Because it can reach any word directly, attention keeps long-range links intact. The first word can still influence the last with no decay.
Why It Changed NLP
Attention freed models from reading strictly in order. That single idea became the foundation of the Transformer and modern language models. 🚀
Quick Check
Let us check the core intuition behind attention.
Recap
You learned that attention weights every input word by relevance and blends them into a focused output. That focus is what powers modern NLP. ✨
الأسئلة الشائعة
هل درس «فكرة الانتباه» مجاني؟
نعم — نص درس «فكرة الانتباه» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة NLP Academy، انتقل إلى CoddyKit PRO. تتضمن دورة NLP Academy 4 دروس في المجموع.
ماذا ستتعلم في «فكرة الانتباه»؟
دع النموذج يركّز على ما يهم تتمرن على NLP Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ NLP Academy؟
لا تُشترط خبرة سابقة. NLP Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «فكرة الانتباه»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس NLP Academy هذا؟
نعم. كل درس في NLP Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.