نسخة هلا جي بي تي
قارنوا طريقة بناء النموذج وتدريبه في PyTorch وTensorFlow وKeras.
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.
مثل ما تعلمنا، عشان ندرّب الشبكات العصبية بكفاءة نحتاج نسوي شغلتين:
مكتبة numpy تقدر تسوي الجزء الأول، لكننا نحتاج آلية تحسب التدرجات. في إطار العمل اللي بنيناه بالقسم السابق، اضطرينا نبرمج مشتقات كل الدوال يدويًا داخل الدالة backward اللي تنفّذ الانتشار العكسي. والأفضل إن إطار العمل يحسب لنا تدرجات أي تعبير نعرّفه.
بعد، من المهم نقدر ننفّذ الحسابات على GPU، أو على وحدات حوسبة متخصصة ثانية مثل TPU. تدريب الشبكات العصبية العميقة يحتاج حسابات كثيرة، لذلك توزيع هالحسابات وتشغيلها بالتوازي على أكثر من GPU يفرق كثير.
✅ كلمة «بالتوازي» هنا تعني إننا نوزّع الحسابات على عدة أجهزة.
مسارا إطار العمل المستخدمان في هالدورة هما TensorFlow وPyTorch. وتوفر Keras 3 واجهة نماذج عالية المستوى تشتغل فوق TensorFlow أو JAX أو PyTorch. ولثبات التجارب، تستخدم دفاتر Keras في هالنسخة خلفية TensorFlow إلا إذا قال الدفتر غير كذا.
واجهات الإطار الأصلية تعطيكم تحكمًا مباشرًا في العمليات وحلقة التدريب. أما واجهات النماذج الأعلى مستوى فتنظم الطبقات والخسائر والمحسّنات والتدريب المعتاد. تقدرون تخلطون المستويين عند الحاجة؛ مثلًا تبنون طبقة مخصصة ثم تدربون النموذج باستخدام fit أو حلقة تدريب مخصصة.
في هالدورة نوفر أغلب المحتوى بمساري PyTorch وTensorFlow. اختاروا المسار من لوحة الدورة واثبتوا عليه داخل الدرس؛ وتقدرون تبدّلون للمقارنة من غير ما يضيع تقدمكم.
كل ما أمكن بنستخدم واجهات API عالية المستوى لأنها أبسط. لكن فهم الشبكات العصبية من الأساس مهم، لذلك نبدأ بواجهة API منخفضة المستوى والموترات. وإذا تبون تنطلقون بسرعة وما ودكم تتعمقون بهالتفاصيل من البداية، عادي تتجاوزونها وتروحون مباشرة لدفاتر الـ APIs عالية المستوى.
كمّلوا التعلّم في الدفاتر هذي:
| واجهة API منخفضة المستوى | دفتر TensorFlow+Keras | PyTorch |
|---|---|---|
| واجهة API عالية المستوى | Keras | PyTorch Lightning |
بعد ما تتمكنون من أطر العمل، خلونا نراجع مفهوم فرط التكيّف.
فرط التكيّف مفهوم أساسي جدًا في تعلم الآلة، ومن المهم نفهمه مضبوط.
خلونا نفترض إننا نبي نقرّب 5 نقاط—يمثلها الرمز x في الرسمين تحت:
وصف الشكل: نموذج خطي | > وصف الشكل: فرط التكيّف -------------------------|-------------------------- نموذج خطي، معاملان 2 | نموذج غير خطي، معاملات 7 خطأ التدريب = 5.3 | خطأ التدريب = 0 خطأ التحقق = 5.1 | خطأ التحقق = 20
المهم نوازن بين سعة النموذج—أي عدد معاملاته—وعدد عينات التدريب.
مثل ما يوضح الرسم فوق، نكتشف فرط التكيّف لما يكون خطأ التدريب منخفض جدًا وخطأ التحقق مرتفع. غالبًا أثناء التدريب نشوف الخطأين ينزلون بالبداية، ثم يوقف خطأ التحقق عن النزول ويبدأ يرتفع. هذي علامة على فرط التكيّف، وتعني إن الأفضل نوقف التدريب عند هالنقطة—أو على الأقل نحفظ لقطة من النموذج.
وصف الشكل: منحنى فرط التكيّف
إذا لاحظنا فرط التكيّف، نقدر نسوي واحد من هالحلول:
فرط التكيّف حالة خاصة من مشكلة إحصائية أعم اسمها مقايضة التحيز والتباين. وإذا تأملنا مصادر الخطأ المحتملة في النموذج، بنلقى نوعين:
أثناء التدريب ينخفض خطأ التحيز لأن النموذج يتعلم تقريب البيانات، بينما يرتفع خطأ التباين. عشان نمنع فرط التكيّف، نوقف التدريب بالوقت المناسب: يدويًا إذا اكتشفناه، أو آليًا باستخدام التنظيم.
بهالدرس قارنتوا بين سير العمل في مساري TensorFlow وPyTorch، وبين واجهات الإطار الأصلية وواجهات النماذج الأعلى مستوى. وتعلمتوا بعد مفهوم مهم جدًا: فرط التكيّف.
بتلقون «مهام» في آخر الدفاتر المرفقة؛ امشوا على الدفاتر ونفّذوا هالمهام.
ابحثوا عن المواضيع هذي:
واسألوا أنفسكم:
في هالمختبر، المطلوب تحلون مسألتين في التصنيف باستخدام شبكات كاملة الاتصال ذات طبقة وحدة، وشبكات كاملة الاتصال متعددة الطبقات، باستخدام PyTorch أو TensorFlow.
| مسار الدورة | سير العمل الأصلي للموترات والتدرج | سير العمل الأعلى مستوى |
|---|
| TensorFlow | tf.Tensor وGradientTape وtf.data | Keras 3 بخلفية TensorFlow |
| PyTorch | torch.Tensor وautograd وDataLoader | torch.nn، ومع Lightning كخيار لتنظيم التدريب |
