الشبكات العصبية الالتفافية (CNNs)

الشبكات العصبية الالتفافية (CNNs) هي نوع متخصص من الشبكات العصبية مصمم لمعالجة بيانات الصور. وتُستخدم على نطاق واسع في مهام مثل تصنيف الصور واكتشاف الأجسام والتعرّف على الوجوه.

لماذا تُعدّ CNNs فعّالة للصور؟

تُعدّ CNNs فعّالة لأنها:

• تحافظ على العلاقات المكانية: تعالج الصور على هيئة شبكات من البكسلات.
• تقلل التكلفة الحاسوبية: تستخدم أوزانًا مشتركة للمناطق المحلية (النوى).
• تستخرج ميزات هرمية: تكتشف الحواف والأشكال والأنماط المعقدة عبر الطبقات.

طبقات الالتفاف

تُعدّ طبقات الالتفاف جوهر شبكات CNNs. فهي تطبّق مرشحات (نوى) على الصورة المُدخلة لاستخراج الميزات.

مثال:

• الإدخال: صورة بأبعاد 5×5.
• النواة: مرشح بأبعاد 3×3.
• الإخراج: خريطة ميزات تُبرز الأنماط.

مثال: تطبيق عملية التفاف

يمكننا استخدام Python وNumPy لمحاكاة عملية التفاف بسيطة:

import numpy as np

# Example 5x5 image
image = np.array([
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 2, 3, 0, 1],
    [0, 1, 2, 3, 4],
    [1, 0, 1, 2, 3]
])

# Example 3x3 kernel
kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1]
])

# Perform convolution (without padding or strides)
from scipy.signal import convolve2d
output = convolve2d(image, kernel, mode='valid')
print("Feature Map:", output)

طبقات التجميع

تقلل طبقات التجميع حجم خرائط الميزات مع الاحتفاظ بالمعلومات المهمة. وتشمل الأنواع الشائعة ما يلي:

• التجميع بأخذ القيمة العظمى: يحتفظ بأكبر قيمة في منطقة.
• التجميع بأخذ المتوسط: يحسب متوسط القيمة في منطقة.

الطبقات المتصلة بالكامل

تصل الطبقات المتصلة بالكامل جميع العصبونات من طبقة بطبقة تالية. وتجمع الميزات المستخرجة لإجراء تنبؤات في مهام مثل تصنيف الصور.

البنية النموذجية لشبكات CNNs

تتكوّن شبكة CNN النموذجية من:

1. طبقات الالتفاف: تستخرج الميزات من الإدخال.
2. طبقات التجميع: تقلل أبعاد خريطة الميزات.
3. الطبقات المتصلة بالكامل: تنفّذ التصنيف أو الانحدار النهائي.

مزايا الشبكات العصبية الالتفافية

تتميز الشبكات العصبية الالتفافية (CNNs) بفاعليتها الكبيرة في معالجة الصور بفضل ما يلي:

• استخراج السمات بكفاءة باستخدام الطبقات الالتفافية.
• الحد من فرط التكيّف من خلال مشاركة المعلمات.
• القدرة على معالجة بيانات الصور المعقدة باستخدام طبقات متعددة.

الملخص والخطوات التالية

في هذا الدرس:

• استكشفنا بنية الشبكات العصبية الالتفافية وآلية عملها.
• تعرّفنا على الالتفاف والتجميع والطبقات المتصلة بالكامل.
• ناقشنا مزايا الشبكات العصبية الالتفافية في معالجة الصور.

سننشئ بعد ذلك مشروعًا أساسيًا لتصنيف الصور باستخدام الشبكات العصبية الالتفافية لتطبيق ما تعلمناه.