Professional Documents
Culture Documents
Neural Networks
مقدمـــــــــــــــة
مفردات المحاضــــــــرة
مقدمة •
أنواع الشبكات العصبية •
مجاالت استخدام الشبكات العصبية •
كيفية استخدام الشبكات العصبية •
نبذة تاريخية عن مطوري علم الشبكات العصبية •
مقدمــــــــــــــــــــــــــــــــة
• شهد العالم في األونة األخيرة طفرة علمية واضحة في كل
ميادين الحياة .ال أبالغ إذا قلت أن كل هذه الميادين طرق بابها
الحاسب اآللي و البرمجيات.
• على رأس هذه الميادين التحكم الصناعي و التطور الطبي و
التعرف hعلى البصمات و الصور و األشكال و التي يستخدم
معظمها في األبحاث الجنائية و غيرها الكثير...
• أيضا استخدم الحاسب اآللي في إيجاد الحلول المثلى باالضافة
إل ميادين أخري كثيرة
مقدمــــــــــــــــــــــــــــــــة
X1 w1
w3
X3
تابع المثال
• فعالية (اشارة خرhج) العصبون Yتعطى بالعالقة:
)Y = f(y_in
حيث fتابع رياضي معين.
على سبيل المثال التابع سيغمويد (Binary Sigmoid
)functionو الذي على الصورة:
1
f x x
1 e
تطوير المثال
• بفرض أن العصبون Yمرتبط مع عصبونات اخرhى مثل
Z1, Z2مع أوزان ترابطات خاصة v1, v2على الترتيب.
• الشكل ( )1.2يوضج ذلك.
• الوحدة Yتسمى الطبقة الخفية
• سوف نتعرhض لذلك بالتفصيل فيما بعد إن شاء هللا.
الشكل ( )1.2البنية البسيطة للشبكة العصبية
X1 w1
v1 Z1
X2 w2 Y
v2 Z2
X3 w3
wi1
wi1 vj1
Xi wij Yj vjk Zk
wim wnj vjl vmk
Xn wnm Ym vml Zl
1 1
-Є
A1 Am
-Є
Ai Aj
-Є 1
1
توضع األوزان()Setting the weights
تعتبر عملية توضع األوزان خالل مرحلة التدريب •
مسألة هامة جدأ وهي التي تميز الشبكات العصبية
عن بعضها باإلضافة إلى معمارية الشبكة.
ويمكن تقسيم طرق تدريب الشبكات العصبية •
االصطناعية إلى :
التدريب بمعلم. .1
التدريب بدون معلم. .2
توضع األوزان
• التدريب بمعلم()Supervised Training
• يتم في هذا النوع تدريب الشبكة على سلسلة من عينات
تدريب الدخل التي يرافقها نموذج من عينات الخرج
المرhتبطة بها.
• تعدل االوزان وفق خوارزhمية تعليم تدعى بالتدريب بمعلم
ويكون الخرج فى هذه الشبكة عنصر معالجة قالب أي:
-يأخذ الخرج القيمة ( )1إذا كان شعاع الدخل تابعا ً إلي أحد
أصناف العينات
-ويأخذ قيمة ( )-1إذا كان الشعاع ليس تابعا ً إلي أي صنف. h
توضع األوزان
• التدريب بدون معلم ()Unsupervised Training
• تنظم الشبكات التي تعتمد على مبدأ التدريب بدون مشرhف أشعة
الدخل المتشابه بجانب بعضها تلقائيا بدون استخدام معطيات
التدريب لتحدد ما هو العضو النموذجي من هذه المجموعة أو إلى
أي مجموعة ينتمي هذا الشعاع.
• يتم تقديم عدداً من أشعة الدخل بدون تخصيص أي أشعة خرج
مقابله لها و تستطيع هذه الشبكات تعديل أوزان ترابطها و بالتالي
جميع اشعة الدخل المتشابه توجه الى نفس وحدة الخرج .و تنتج
هذه الشبكات أشعة مماثلة ألشعة التدريب و هي نوع من شبكات
التنظيم الذاتي (مثال Kohonenو نظرية الطنين المتكيفة)
توضع األوزان
• شبكات األوزان الثابتة
• تستطيع العديد من الشبكات العصبية إيجاد الحل األمثل
للمسائل المقيدة ،وتستطيع شبكة األوزان الثابتة حل هذا
النوع من المسائل والتي يصعب حلها بالطرق التقليدية.
• تصمم هذه الشبكات بحيث تكون فيها أوزان الترابطات ثابتة
لتمثيل القيود وكمياتها بحيث تكون الحلول المثلى أعظمية أو
أصغريه.
• هذا النوع من الشبكات يعتمد آلية بولتزمان بدون معلم وشبكة
هوبفيلد.
توابع التنشيط الشائعة
Common Activation Functions
• تتضمن العملية األساسية في خوارزhميات التعلم-:
-جمع إشارات الدخل المضروبة باألوزان
-ثم تطبيق تابع التنشيط (التفعيل)
• البد من استخدام توابع تنشيط معينة في خوارhزميات التعليم.
• الحظ :الشبكات العصبية المتعددة الطبقات
ممكن أن تستخدم توابع تنشيط غير خطية
باإلضافة إلى توابع التنشيط الخطية.
• سوف نستعرض بعض توابع التنشيط الشائعة
المستخدمة في خوارزميات التعلم.
توابع التنشيط الشائعة
Common Activation Functions
.1تابع التطابق:
F(x) = x for all x
-من الواضح أنه تابع خطي يستخدم في الشبكات وحيدة الطبقة.
-يستخدم لتحويل دخل الشبكة إلى شكل مناسب إلشارة الخرhج.
انظر hالشكل التالي
تابع التطابق
)F(x
X
توابع التنشيط الشائعة
Common Activation Functions
.2تابع التنشيط الثنائي (ذو عتبة :)θ
له الشكل:
1 if x
f x
0 if x
يوضح الشكل التالي هذا التابع و الذي يعطي قيمة خرج إما []0
أو [ ]1أي خرج ثنائي.
يستخدم هذا التابع قيمة عتبة معينة تدعي (.)θ
تابع التنشيط الثنائـي (ذو عتبة )θ
)F(x
1
θ
X
توابع التنشيط الشائعة
Common Activation Functions
.3تابع تنشيط سيغمويد الثنائي)binary Sigmoid( :
له الشكل الرياضي:
1
f x
1 e x
حيث σهي معامل االنحدار
و مشتقه هوf’(x) = σ.f(x).[1-f(x)] :
الحظ :أفضل األنواع استخداما مع شبكات Backpropagation
انظر hالشكل التالي
تابع تنشيط سيغمويد الثنائي
تابع تنشيط سيغمويد الثنائي
-1
ملخص لبـعض الرموز