نسخة هلا جي بي تي
ميّزوا بين هدف المولّد وهدف المميّز في التدريب التنافسي.
90 دقيقة
تشخيص اختياري
ما له درجة نجاح، ولا يوقف الدرس. اختر «ماني متأكد» إذا هذا جوابك الصادق.
طبّق
اختبار بعد الدرس
أرسله مرة وحدة عشان يفتح لك إكمال الدرس، وتقدر تعيده قد ما تبي.
أرسل اختبار ما بعد الدرس، وبعدها أكّد إنك جاهز تكمّل الدرس.
بالقسم السابق تعلّمنا عن النماذج التوليدية: نماذج تقدر تنشئ صورًا جديدة تشبه صور مجموعة بيانات التدريب. وكان المشفّر التلقائي التغايري (Variational Autoencoder أو VAE) مثالًا زينًا على نموذج توليدي.
لكن لو حاولنا ننشئ بـVAE شيئًا له معنى فعلًا، مثل لوحة بدقة معقولة، بنشوف إن التدريب ما يتقارب زين. لهالحالة نحتاج نتعلم بنية ثانية مصممة للنماذج التوليدية: شبكات الخصومة التوليدية (Generative Adversarial Networks أو GANs)، واللي بنسميها بعد شبكات GAN.
فكرة GAN الأساسية إن عندنا شبكتين عصبيتين تتدرّبان ضد بعض:
وصف الشكل: حُذف الأصل لأن حقوق إعادة استخدامه غير موثّقة.
✅ كم مصطلح نحتاجه:
- المولّد (Generator) شبكة تستقبل متجهًا عشوائيًا وتنتج صورة.
- المميّز (Discriminator) شبكة تستقبل صورة وتحدد هل هي حقيقية من مجموعة البيانات المستخدمة في التدريب، أو ولّدها المولّد. يعني هو بالأساس مصنّف لمهمة التصنيف للصور.
بنية المميّز ما تختلف عن شبكة عادية لتصنيف الصور. بأبسط حالة يكون مصنّفًا كامل الاتصال، لكن الغالب إنه يكون شبكة عصبية التفافية.
✅ إذا كانت GAN مبنية على شبكات التفافية، نسميها DCGAN.
يتكوّن مميّز CNN من عدة طبقات التفاف وتجميع يقل معها الحجم المكاني، ثم طبقة كاملة الاتصال أو أكثر تنتج «متجه السمات»، وفي النهاية مصنّف ثنائي.
✅ التجميع (Pooling) هنا تقنية تصغّر الصورة عن طريق دمج مخرجات مجموعات من العصبونات في طبقة، وتحويلها إلى عصبون واحد بالطبقة اللي بعدها. المصدر
المولّد أصعب شوي. نقدر نعتبره مميّزًا بالمقلوب: يبدأ بمتجه كامن بدل متجه السمات، ثم تمرره طبقة كاملة الاتصال وتحوله للحجم والشكل المطلوبين، وبعدها تجي طبقات التفاف عكسي ورفع دقة. هالجزء يشبه فاكّ الترميز في المشفّر التلقائي.
✅ لأن طبقة الالتفاف تُنفّذ على شكل مرشّح خطي يمر فوق الصورة، فالالتفاف العكسي قريب من الالتفاف العادي، ونقدر ننفّذه بمنطق الطبقة نفسه.
وصف الشكل: حُذف الأصل لأن حقوق إعادة استخدامه غير موثّقة.
نسمي هالشبكات شبكات خصومة لأن المنافسة مستمرة بين المولّد والمميّز. خلال المنافسة يتحسّن الاثنان، فتتعلم الشبكة تنتج صورًا أفضل كل مرة.
يصير التدريب على مرحلتين:
خلال هالعملية ما تنخفض خسارتا المولّد والمميّز انخفاضًا ثابتًا وكبيرًا. بالوضع المثالي تتذبذبان، وهذا يعكس إن أداء الشبكتين يتحسّن بالتبادل.
معروف إن تدريب GANs صعب بالذات. هذي بعض المشاكل الشائعة:
GANs طريقة ممتازة لإنشاء صور فنية. وفيه تقنية ثانية مثيرة للاهتمام اسمها نقل الأسلوب (Style Transfer)؛ تاخذ صورة محتوى وتعيد رسمها بأسلوب مختلف، باستخدام مرشّحات من صورة الأسلوب.
تشتغل بهالشكل:
تعلّمتوا في هالدرس وش هي GANs وكيف ندرّبها. وشفتوا بعد التحديات الخاصة اللي تواجه هالنوع من الشبكات العصبية، وبعض الطرق اللي تساعدنا نتجاوزها.
شغّلوا دفتر نقل الأسلوب باستخدام صوركم.
للمراجعة، اقرأوا أكثر عن GANs في هالمصادر:
ارجعوا لأحد دفتري الدرس ودرّبوا GAN من جديد على صوركم. وش تقدرون تنشئون؟
