عبد العزيز: بوت:صيانة V5.9.3، حذف وسم يتيمة

2023-11-10T13:22:38Z

بوت:صيانة V5.9.3، حذف وسم يتيمة

صفحة جديدة

{{مقالة غير مراجعة|تاريخ =نوفمبر 2023}}

{{لا صندوق معلومات}}
[[ملف:comparison_image_neural_networks.svg|تصغير|مقارنة بين طبقات لينت وألكسنت التلافيفية و طبقات التجميع والطبقات الكثيفة
(يجب أن يكون حجم صورة في شبكةألكسنت 227×227×3، بدلاً من 224×224×3، لذا ستظهر الحسابات بشكل صحيح. ذكرت الورقة الأصلية أرقامًا مختلفة، لكن أندريه كارباثي، الرئيس السابق لقسم رؤية الكمبيوتر في شركة تيسلا، قال بأنها يجب أن تكون 227×227×3 (قال أن أليكس لم يوضح سبب وضعه 224×224×3).يجب أن يكون الالتواء التالي 11×11 مع الخطوة 4: 55×55×96 (بدلاً من 54×54×96 ). سيتم حسابه، على سبيل المثال، على النحو التالي: [(عرض الإدخال 227 - عرض النواة 11) / الخطوة 4] + 1 = [(227 - 11) / 4] + 1 = 55. بما أن مخرجات النواة هي نفسها الطول كالعرض ومساحته 55×55).]]

'''ألكسنت''' هي بنية [[شبكة عصبونية التفافية|شبكة عصبية تلافيفية]]، صممها [[أليكس كريجفسكي]] بالتعاون مع [[إيليا سوتسكيفر]] و[[جيوفري هينتون]]، مشرف [[أليكس كريجفسكي]] في مرحلة الدكتوراة.<ref name=":1">{{استشهاد ويب|مسار= https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/|عنوان=البيانات التي حولت أبحاث الذكاء الاصطناعي – وربما العالم|الأول=Dave|الأخير=Gershgorn|موقع=Quartz|تاريخ=26 July 2017 |مسار أرشيف= https://web.archive.org/web/20231108011906/https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/|تاريخ أرشيف=2023-11-08}}</ref><ref name=":0">{{استشهاد بدورية محكمة|الأخير1=Krizhevsky|الأول1=Alex|الأخير2=Sutskever|الأول2=Ilya|الأخير3=Hinton|الأول3=Geoffrey E.|تاريخ=2017-05-24|عنوان=تصنيف ImageNet مع الشبكات العصبية التلافيفية العميقة|مسار= https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf|صحيفة=Communications of the ACM|المجلد=60|العدد=6|صفحات=84–90|doi=10.1145/3065386|s2cid=195908774|issn=0001-0782|doi-access=free|مسار أرشيف= https://web.archive.org/web/20231028203452/http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf|تاريخ أرشيف=2023-10-28}}</ref>
شاركت {{ط|ألكسنت}} في تحدي إميج نت للتعرف البصري في 30 سبتمبر 2012.<ref name=":2">{{استشهاد ويب|مسار= https://image-net.org/challenges/LSVRC/2012/results.html|عنوان=مسابقة ImageNet للتعرف البصري على نطاق واسع 2012 (ILSVRC2012)|موقع=image-net.org|مسار أرشيف= https://web.archive.org/web/20231108011946/https://image-net.org/challenges/LSVRC/2012/results.html|تاريخ أرشيف=2023-11-08}}</ref> حققت الشبكة نسبة الخطأ الأقل من بين الخمسة الأوائل بنسبة 15.3%، أي أقل من 10.8 نقطة مئوية من نسبة الحاصل علي المرتبة الثانية. كانت النتيجة الأولية للورقة الأصلية هي أن عمق النموذج كان ضروريًا لأدائه العالي، والذي كان مكلفًا من الناحية الحسابية، ولكنه أصبح ممكنًا بسبب استخدام [[وحدة معالجة الرسوميات|وحدات معالجة الرسومات]] أثناء تدريب التصميم.<ref name=":0" />
== مقدمة ==
فوز{{ط|ألكسنت}} بأسرع تطبيق للشبكات العصبية التلافيفية على وحدة معالجة الرسومات لم يكن الأول في مسابقة التعرف على الصور. فقد كانت أول شبكة تلافيفية عصبية تنفذ على وحدة معالجة الرسوميات عام (2006) من تنفيذ {{ط|تشيلابيلا}} أسرع بأربع مرات من التنفيذ المكافئ على وحدة المعالجة المركزية.<ref>{{استشهاد بكتاب |مؤلف1=Kumar Chellapilla |عنوان=ورشة العمل الدولية العاشرة حول الحدود في التعرف على الكتابة اليدوية |مؤلف2=Sidd Puri |مؤلف3=Patrice Simard |تاريخ=2006 |ناشر=Suvisoft |محرر1-الأخير=Lorette |محرر1-الأول=Guy |الفصل=شبكات عصبية تلافيفية عالية الأداء لمعالجة المستندات |مسار الفصل=https://hal.inria.fr/inria-00112631/document }}</ref> كذلك يوجد نموذج تصميمي أخر سمي الشبكة التلافيفية العميقة من تقديم {{ط|دان سيريان}} عام 2011 والذي قدم من قبل معهد دالي مولي لأبحاث الذكاء الاصطناعي والذي كان أسرع 60 مرة عند تنفيذه على وحدة معالجة الرسومات <ref name="flexible">{{استشهاد بدورية محكمة|الأخير=Cireșan|الأول=Dan|مؤلف2=Ueli Meier |مؤلف3=Jonathan Masci |مؤلف4=Luca M. Gambardella |مؤلف5=Jurgen Schmidhuber |عنوان=شبكات عصبية تلافيفية مرنة وعالية الأداء لتصنيف الصور|صحيفة=وقائع المؤتمر الدولي الثاني والعشرون المشترك للذكاء الاصطناعي-Volume Volume Two|سنة=2011|المجلد=2|صفحات=1237–1242|مسار= http://www.idsia.ch/~juergen/ijcai2011.pdf|تاريخ الوصول=17 November 2013|مسار أرشيف= https://web.archive.org/web/20231027050014/https://www.idsia.ch/~juergen/ijcai2011.pdf|تاريخ أرشيف=2023-10-27}}</ref> و الذى تفوق على نسخته السابقة في إصدار أحدث في أغسطس 2011.<ref>{{استشهاد ويب|مسار= http://benchmark.ini.rub.de/?section=gtsrb&subsection=results|عنوان=IJCNN 2011 جدول نتائج المسابقة|موقع=OFFICIAL IJCNN2011 COMPETITION|لغة=en-US|تاريخ الوصول=2019-01-14|تاريخ=2010|مسار أرشيف= https://web.archive.org/web/20231027180526/https://benchmark.ini.rub.de/?section=gtsrb&subsection=results|تاريخ أرشيف=2023-10-27}}</ref> كما فازت شبكة {{ط|دان سيريان}} التلافيفة العميقة بما لا يقل عن أربع مسابقات للصور بين 15 مايو 2011 و10 سبتمبر 2012. <ref>{{استشهاد ويب|مسار= http://people.idsia.ch/~juergen/computer-vision-contests-won-by-gpu-cnns.html|الأخير1=Schmidhuber|الأول1=Jürgen|عنوان=تاريخ مسابقات رؤية الكمبيوتر التي فازت بها شبكات CNN العميقة على وحدة معالجة الرسومات|لغة=en-US|تاريخ الوصول=14 January 2019|تاريخ=17 March 2017|مسار أرشيف= https://web.archive.org/web/20231027042033/https://people.idsia.ch/~juergen/computer-vision-contests-won-by-gpu-cnns.html|تاريخ أرشيف=2023-10-27}}</ref><ref name="schdeepscholar">{{استشهاد بدورية محكمة|الأخير1=Schmidhuber|الأول1=Jürgen|عنوان=التعلم العميق|صحيفة=Scholarpedia|مسار= http://www.scholarpedia.org/article/Deep_Learning|تاريخ=2015|المجلد=10|العدد=11|صفحات=1527–54|pmid=16764513|doi=10.1162/neco.2006.18.7.1527|citeseerx=10.1.1.76.1541|s2cid=2309950|مسار أرشيف= https://web.archive.org/web/20230918053534/http://www.scholarpedia.org/article/Deep_Learning|تاريخ أرشيف=2023-09-18}}</ref> أيضا قدمت تحسناً بشكل ملحوظ في أفضل أداء على العديد من [[قاعدة بيانات|قواعد بيانات]] للصور المختلفة. <ref name="mcdns">{{استشهاد بكتاب |الأخير1=Cireșan |الأول1=Dan |الأول2=Ueli |الأخير2=Meier |الأول3=Jürgen |الأخير3=Schmidhuber |عنوان=مؤتمر IEEE 2012 حول رؤية الكمبيوتر والتعرف على الأنماط |الفصل=شبكات عصبية عميقة متعددة الأعمدة لتصنيف الصور|تاريخ=June 2012 |صفحات=3642–3649 |doi=10.1109/CVPR.2012.6248110 |arxiv=1202.2745 |isbn=978-1-4673-1226-4 |oclc=812295155 |ناشر=[[معهد مهندسي الكهرباء والإلكترونيات]] (IEEE) |مكان=New York, NY|citeseerx=10.1.1.300.3283 |s2cid=2161592 }}</ref>

وفقًا للورقة البحثية التي قدمت تصميم {{ط|ألكسنت}} <ref name=":0" /> فإن تصميم شبكة {{ط|دان سيريان}} الأول يشبه تصميم شبكة {{ط|ألكسنت}}. نفذ كليهما في الأصل باستخدام منصة الحوسبة المتوزعة [[كودا]] للتشغيل والتي تدعم [[وحدة معالجة الرسوميات]]. في الواقع، يعد كليهما مجرد أشكال مختلفة لتصميمات الشبكات التلافيفة التي قدمها [[يان ليكون]] عام 1989. <ref name="LeCun Boser Denker Henderson 1989 pp. 541–551">{{cite journal  |الأخير=LeCun |الأول=Y. |الأخير2=Boser |الأول2=B. |الأخير3=Denker |الأول3=J. S. |الأخير4=Henderson |الأول4=D. |الأخير5=Howard |الأول5=R. E. |الأخير6=Hubbard |الأول6=W. |الأخير7=Jackel |الأول7=L. D. |عنوان=تطبيق الانتشار الخلفي على التعرف على الرمز البريدي المكتوب بخط اليد |صحيفة=الحساب العصبي |ناشر=MIT Press - Journals |المجلد=1 |العدد=4 |سنة=1989 |issn=0899-7667 |مسار=http://yann.lecun.com/exdb/publis/pdf/lecun-89e.pdf  |doi=10.1162/neco.1989.1.4.541 |صفحات=541–551 |oclc=364746139}}</ref><ref name="lecun98">{{استشهاد بدورية محكمة|الأخير=LeCun|الأول=Yann|مؤلف2=Léon Bottou |مؤلف3=Yoshua Bengio |مؤلف4=Patrick Haffner |عنوان=تطبيق التعلم القائم على التدرج للتعرف على الوثائق|صحيفة=مجلد مؤتمر IEEE|سنة=1998|المجلد=86|العدد=11|صفحات=2278–2324|مسار= http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf|تاريخ الوصول=October 7, 2016|doi=10.1109/5.726791|citeseerx=10.1.1.32.9552|s2cid=14542261 |مسار أرشيف= https://web.archive.org/web/20231030100650/http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf|تاريخ أرشيف=2023-10-30}}</ref> والذي طبق خوارزمية [[انتشار خلفي|الانتشار الخلفي]] على نسخ مختلفة من بنية الشبكات العصبية التلافيفة الأصلية لصاحبها كونيهيكو فوكوشيما والتي كانت تسمى آنذاك [[نيوكونييترون]]. <ref name=fukuneoscholar>{{استشهاد بدورية محكمة | الأخير1 = Fukushima | الأول1 = K. | سنة = 2007 | عنوان = Neocognitron | صحيفة = Scholarpedia | المجلد = 2 | العدد = 1| صفحة = 1717 | doi=10.4249/scholarpedia.1717| bibcode = 2007SchpJ...2.1717F | doi-access = free }}</ref><ref name="intro">{{استشهاد بدورية محكمة|الأخير=Fukushima|الأول=Kunihiko|عنوان=Neocognitron: نموذج شبكة عصبية ذاتية التنظيم لآلية التعرف على الأنماط التي لا تتأثر بالتحول في الموضع|صحيفة=علم التحكم الآلي البيولوجي|سنة=1980|المجلد=36|العدد=4|صفحات=193–202|مسار= http://www.cs.princeton.edu/courses/archive/spr08/cos598B/Readings/Fukushima1980.pdf|تاريخ الوصول=16 November 2013|doi=10.1007/BF00344251|pmid=7370364|s2cid=206775608|مسار أرشيف= https://web.archive.org/web/20231027042054/https://www.cs.princeton.edu/courses/archive/spr08/cos598B/Readings/Fukushima1980.pdf|تاريخ أرشيف=2023-10-27}}</ref> عُدلت البنية لاحقًا بواسطة طريقة {{ط|جيه ونج}} التي تسمى [[شبكة عصبونية التفافية#بنية الشبكة العصبونية الالتفافية|مضاعفة المرشحات]] .<ref name="weng1993">{{استشهاد بدورية محكمة |الأول1=J |الأخير1=Weng |الأول2=N |الأخير2=Ahuja |الأول3=TS |الأخير3=Huang |عنوان=تعلم التعرف على الكائنات ثلاثية الأبعاد وتقسيمها من صور ثنائية الأبعاد |صحيفة=وقائع المؤتمر الدولي الرابع في الرؤية الحاسوبية |سنة=1993 |صفحات=121–128 }}</ref><ref name="schdeepscholar" />
في عام 2015، تفوقت الشبكة التلافيفة العميقة جدًا التابعة لشركة {{ط|مايكروسوفت للأبحاث -آسيا}} والتي تحتوي على أكثر من 100 طبقة على {{ط|ألكسنت}} في الأداء، وفازت في مسابقة أميج نت عام 2015.<ref>{{استشهاد بكتاب|الأخير1=He|الأول1=Kaiming|الأخير2=Zhang|الأول2=Xiangyu|الأخير3=Ren|الأول3=Shaoqing|الأخير4=Sun|الأول4=Jian|عنوان=مؤتمر IEEE 2016 حول رؤية الكمبيوتر والتعرف على الأنماط (CVPR) |الفصل=التعلم المتبقي العميق للتعرف على الصور |تاريخ=2016|صفحات=770–778|doi=10.1109/CVPR.2016.90|arxiv=1512.03385|isbn=978-1-4673-8851-1|s2cid=206594692}}</ref>
== بنية الشبكة ==
تحتوي {{ط|ألكسنت}} على ثماني طبقات؛ كانت الخمس الأولى منها عبارة عن طبقات [[الطي (رياضيات)|تلافيفية]]، ويتبع بعضها طبقات تسمى بطبقات التجميع وفق القيمة القصوى، وكانت أخر ثلاث طبقات عبارة عن طبقات الاتصال الكامل. قُسمت الشبكة، باستثناء الطبقة الأخيرة، إلى نسختين كل منهما تعمل على وحدة معالجة رسومات منفصلة.<ref name=":0" /> يمكن كتابة الهيكل بأكمله كـما يلي:
<math display="block">(CNN \to RN\to MP)^2 \to (CNN^3 \to MP) \to (FC \to DO)^2 \to Linear \to softmax </math>
حيث:
* CNN هي شبكة عصبونية التفافية
* RN وهي تطبيع الاستجابة المحلية
* MP و هي طبقة تجميع وفق القيمة القصوى
* FC و هي طبقة الاتصال الكامل (باستخدام دالة التفعيل من نوع وحدة التصحيح الخطي )
* Linear و هي طبقة اتصال كامل بدون دالة تفعيل
* DO و هي تقنية تعطيل جزئي لبعض الخلايا العصبية الإصطناعية في الشبكة
كما استخدمت دالة تفعيل وحدة التصحيح الخطي من النوع الغير المشبعة، والتي أظهرت تحسنًا في أداء التدريب على [[دالة الظل الزائدية]] و[[دالة سينية]].<ref name=":0" />
== أهمية بنية ألكسنت ==
تعتبر {{ط|ألكسنت}} واحدة من أكثر الأبحاث المنشورة تأثيرًا في الرؤية الحاسوبية، حيث حفزت العديد من الأبحاث المنشورة التي تستخدم الشبكات العصبية التلافيفية ووحدات معالجة الرسوميات لتسريع [[التعلم العميق]].<ref>{{استشهاد ويب|مسار= https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html|عنوان=أوراق التعلم العميق التسعة التي تحتاج إلى معرفتها (فهم شبكة CNN الجزء 3)|الأخير=Deshpande|الأول=Adit|موقع=adeshpande3.github.io|تاريخ الوصول=2018-12-04|مسار أرشيف= https://web.archive.org/web/20231022183136/https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html|تاريخ أرشيف=2023-10-22}}</ref> اعتبارًا من أوائل عام 2023، استشهد ببحث {{ط|ألكسنت}} أكثر من 120,000 مرة وفقًا لـموقع جوجل سكولار. <ref>[https://scholar.google.com/citations?view_op=view_citation&hl=en&user=xegzhJcAAAAJ&citation_for_view=xegzhJcAAAAJ:u5HHmVD_uO8C ورقة AlexNet على جوجل سكولار ] {{Webarchive|url=https://web.archive.org/web/20230623004408/https://scholar.google.com/citations?view_op=view_citation&hl=en&user=xegzhJcAAAAJ&citation_for_view=xegzhJcAAAAJ:u5HHmVD_uO8C|date=2023-06-23}}</ref>
== المصادر ==
{{مراجع}}
{{شريط سفلي حوسبة تفاضلية}}
{{شريط بوابات|علم الحاسوب|علوم عصبية}}
{{ضبط استنادي}}

[[تصنيف:تعلم الآلة]]
[[تصنيف:تعلم متعمق (ذكاء اصطناعي)]]
[[تصنيف:تمييز الأشياء وتبويب]]
[[تصنيف:رؤية حاسوبية]]
[[تصنيف:شبكات عصبونية اصطناعية]]
[[تصنيف:علم الحاسوب]]
[[تصنيف:علوم عصبية حاسوبية]]

ألكسنت - تاريخ المراجعة

عبد العزيز: بوت:صيانة V5.9.3، حذف وسم يتيمة