ML 101
M07 · L03
الوحدة 7

تطبيقات الشبكات التلافيفية

التصنيف، الكشف، التجزئة، الوجوه، الصوت، نشر الحافة — الآلية التلافيفية ذاتها تُشغِّل كل هذه التطبيقات. يستعرض هذا الدرس كيف تُوظَّف الشبكات التلافيفية في العالم الحقيقي.

01 / 12
ML 101
M07 · L03
تصنيف الصور

Softmax والانتروبيا المتقاطعة

يُعيِّن التصنيف الصور إلى احتمال على C فئة عبر softmax. يُقلِّل التدريب خسارة الانتروبيا المتقاطعة. التوسيع بالبيانات وتنعيم التسمية يحسّنان التعميم والمعايرة على نطاق واسع.

خطأ الإنسان (أعلى-5)
≈ 5%
ResNet-50
≈ 7.5%
أفضل نماذج
< 2%
02 / 12
ML 101
M07 · L03
الكشف عن الكائنات

ماذا وأين؟

يُخرج الكشف مربّعات الإحاطة وتسمياتها. تقترح الكاشفات ذات مرحلتين (Faster R-CNN) مناطق أولًا ثم تُصنِّفها. يُقاس الجودة بـ IoU بين المربّعات المتنبَّأ بها والحقيقية.

تقاطع على اتحاد
\text{IoU} = \frac{|A \cap B|}{|A \cup B|}
03 / 12
ML 101
M07 · L03
YOLO (2016)

الكشف في ممر واحد

  • قسِّم الصورة إلى شبكة S×S؛ تتنبّأ كل خلية بـ B مربّع واحتمالات C فئة في آنٍ واحد
  • ممر أمامي واحد — أكثر من 45 إطارًا في الثانية، مناسب لفيديو الوقت الفعلي
  • قمع غير الحدّ الأقصى (NMS) يُزيل مربّعات الإحاطة المتكرّرة المتداخلة
  • mAP (متوسّط الدقة المتوسّطة) يجمع الدقة–الاستدعاء عبر جميع الفئات
04 / 12
ML 101
M07 · L03
التجزئة الدلالية

تصنيف كل بكسل

  • مُشفِّر–مُفكِّك — ضغط بالتلافيف والتجميع، ثم أخذ عيّنات تصاعدية إلى الدقة الكاملة
  • الاتصالات التخطّية تنقل التفاصيل المكانية الدقيقة من المُشفِّر إلى المُفكِّك في كل مستوى دقة
  • FCN (2015) استبدلت طبقات FC بتلافيفات 1×1 للتنبّؤات الكثيفة
  • U-Net يُربِط خرائط المُشفِّر مباشرةً بالمُفكِّك — يهيمن على التجزئة الطبية
05 / 12
ML 101
M07 · L03
التصوير الطبي

إدراك عالي المخاطر

  • تضاهي الشبكات التلافيفية دقة الأطباء أو تتجاوزها في مهام محدّدة: اعتلال الشبكية، الالتهاب الرئوي، آفات الجلد
  • تحدّيات: بيانات محدودة، اختلال حادّ في توازن الفئات، تحوّل توزيعي بين المستشفيات
  • U-Net ثلاثية الأبعاد تُوسَّع إلى حجوم CT/MRI بتلافيفات ثلاثية الأبعاد
  • التدريب المسبق ذاتي الإشراف على الصور غير المسمَّاة يتغلّب على شحّ البيانات
06 / 12
ML 101
M07 · L03
التعرّف على الوجوه

التعلّم المتري

لا يستطيع softmax القياسي التعرّف على هويّات لم يرَها أثناء التدريب. يُعيِّن التعلّم المتري الوجوه إلى تضمينات: الشخص نفسه ← قريبة، أشخاص مختلفون ← بعيدة. تُفرِز خسارة الثالوث من FaceNet هذه البنية الهندسية.

خسارة الثالوث
\mathcal{L} = \max\!\left(0,\; d(a,p) - d(a,n) + \alpha\right)
07 / 12
ML 101
M07 · L03
نقل النمط

المحتوى والنمط

جمِّد الأوزان وحسِّن الصورة نفسها بدل ذلك. اقرأ خرائط الطبقة مباشرةً تحصل على المحتوى — ما الموجود، وأين. اقرأ مصفوفة غرام الخاصة بها — ترابطات القنوات مجموعةً على كل المواضع — فيسقط الموضع ويبقى الملمس ولوحة الألوان. التنشيطات نفسها، وقراءتان مختلفتان.

مصفوفة غرام
G^{\ell}_{ij} = \sum_{k} F^{\ell}_{ik} F^{\ell}_{jk}

Gatys 2016 يحسِّن كل صورة على حدة (دقائق). Johnson 2016 يدرّب شبكة أمامية واحدة لكل نمط (تمريرة واحدة). AdaIN 2017 يطابق متوسط الميزات وتباينها — أي نمط، بتمريرة واحدة.

08 / 12
ML 101
M07 · L03
ما وراء الصور

الشبكات التلافيفية للصوت والنص

  • الأطياف الصوتية تُحوِّل الصوت إلى صور تردد–زمن ثنائية الأبعاد؛ تنطبق الشبكات التلافيفية مباشرةً
  • تلافيفات أحادية البُعد تنزلق على الموجات الصوتية الخام أو تسلسلات الرموز
  • WaveNet — تلافيفات سببية مُمدَّدة تُولِّد كلامًا بجودة استثنائية عند 16 كيلوهرتز
  • TextCNN — فلاتر أحادية البُعد بعروض 2، 3، 4 كلمات لتصنيف الجمل
09 / 12
ML 101
M07 · L03
النشر

الحافة مقابل السحابة

  • التكميم — أوزان INT8 تُقلِّص الحجم 4 أضعاف وتُسرِّع الاستدلال في أجهزة الحافة
  • التشذيب — إزالة الأوزان شبه الصفرية أو القنوات بأكملها لشبكات متفرّقة
  • التقطير — تدريب طالب صغير على المخرجات الناعمة لمعلّم كبير
  • MobileNet — تلافيفات قابلة للفصل عمقيًا تُقلِّص الحوسبة 8–9 أضعاف مقارنةً بالتلافيف القياسي
10 / 12
ML 101
اختبار سريع

تحقّق ممّا ثبت

خمسة أسئلة من هذا الدرس. أجب لترى السبب — يظهر الشرح سواء أصبتَ أم أخطأت. ولا شيء يُسجَّل أو يُحفَظ.

السؤال 1 من 0
النتيجة 0/0

11 / 12
ML 101
ملخّص
مراجعة

ما تعلّمته

تدعم الشبكات التلافيفية تصنيف الصور، والكشف عن الكائنات (YOLO، Faster R-CNN)، والتجزئة الدلالية (U-Net)، والتعرّف على الوجوه (خسارة الثالوث)، والتصوير الطبي، والصوت (الأطياف + التلافيف أحادية البُعد)، والنص. عند الحافة، يُقلِّص التكميم والتشذيب والتقطير وتلافيفات MobileNet القابلة للفصل عمقيًا النماذجَ لتناسب ميزانيات الأجهزة الضيّقة.

اكتملت الوحدة 7
الشبكات التلافيفية ✓
الدرس التالي كل الدروس اقرأ المقالة
12 / 12