#neuron — الشبكات العصبية
لنفكّك عصبونًا: مداخل، أوزان، مجموع، دالة تفعيل.
ما ستُجرّبه
- مرحبًا بك في قناة #neuron. على اليسار، ثلاثة مداخل
x1،x2،x3. في الوسط، عصبون واحد. على اليمين، المخرجy. يحمل كل أنبوب وزنًا (weight): الأزرق = موجب، الأحمر = سالب، السماكة = المقدار. - غيّر الوزن الأول لترى الأثر مباشرةً. اكتب
/weight 1 0.8أو انقر على الزر. - عدّل أحد المداخل. اكتب
/input 2 -0.5. سيتغير حجم الكرة، ويتغير المجموع أيضًا. - يعطينا المجموع المرجّح مضافًا إليه الانحياز قيمة
Σ. من دون دالة تفعيل، لن يكون لديك سوى انحدار خطي (linear regression) — لا سبيل لتعلّم XOR. انتقل إلى ReLU باستخدام/activation relu. - جرّب
/activation sigmoidثم/activation tanh. تنحني كل دالة بالمخرج بشكل مختلف. ليس العصبون سوىy = f(Σ w·x + b). راكم 128 منها فتحصل على دماغ مصغّر.
أوامر القناة
/weight <n=1..3> <value=-1..1>— غيّر وزن الأنبوب رقم n./input <n=1..3> <value=-1..1>— غيّر قيمة أحد المداخل./bias <value=-2..2>— أزح المجموع بمقدار ثابت./activation <relu|sigmoid|tanh|linear>— غيّر دالة التفعيل.
المسرد
- العصبون الاصطناعي
- وحدة حساب تأخذ المجموع الموزون لمُدخلاتها، تضيف تحيّزًا، ثم تطبِّق دالة تنشيط. وباجتماع الآلاف منها تتكوّن الشبكة.
- الوزن
- معامل
wيُضرَب في مُدخل. هذا ما يضبطه التعلّم: وزن كبير يجعل العصبون حسّاسًا لذلك المُدخل، وسالب يعكسه. - التحيّز
- ثابت
bيُضاف إلى المجموع الموزون. يُزيح حدَّ القرار دون تغيير اتجاهه، مثل ثابت الخط المستقيم. - المجموع الموزون
z = Σ wᵢ·xᵢ + b، وهو «ما قبل التنشيط». هندسيًا: المسافة الموجَّهة من ا لنقطة إلى حدّ القرار.- Perceptron
- العصبون التاريخي (Rosenblatt، 1958): مجموع موزون ثم عتبة. يتعلّم أيّ حدّ خطّي لكنه يفشل في XOR، وهو ما دفع إلى شبكات ذات طبقات مخفية.
- حدّ القرار
- مجموعة النقاط التي يتردّد عندها العصبون (
z = 0). لعصبون واحد: خط في البعد ثنائي، مستوٍ في الثلاثي، فوق-مستوٍ في ما فوق ذلك. - الفصل الخطّي
- مجموعة بيانات قابلة للفصل خطّيًا إذا كان خط واحد (أو فوق-مستوٍ) كافيًا لتفريق الفئات. XOR غير كذلك: تلزمها طبقة مخفية على الأقل.
- الطبقة المخفية
- طبقة عصبونات بين المُدخلات والمُخرجات. يرسم كل منها حدَّه، ويُنتِج تركيبها حدودًا منحنية أو متعدّدة القِطع.
قنوات أخرى في الشبكات العصبية
- #neuron — لنفكّك عصبونًا: مداخل، أوزان، مجموع، دالة تفعيل.
- #dropout — تنظيم dropout: الصديق الأفضل للشبكات العميقة.
- #activation — لماذا نحتاج دالة تفعيل؟ ReLU وsigmoid وtanh وLeaky ReLU وGELU وتلاشي التدرج.
- #gradient-descent — الخسارة تضاريس. يخبرنا التدرج بأي اتجاه هو الأعلى، فنخطو في الاتجاه المعاكس.
- #backpropagation — مخطّط الحسابات يُع اد تشغيله معكوسًا: كل عقدة تستقبل ∂L/∂(نفسها) وقاعدة السلسلة تتكفّل بالباقي.
- #overfitting — نموذج كبير على قليل من النقاط: يلتوي حدّ القرار حتى يحفظ الضجيج عن ظهر قلب.
- #cnn-filters — الصورة شبكة من الأرقام. مرشّح 3×3 ينزلق فوقها، يضرب، يجمع: هذا هو الالتفاف.
- #is-it-einstein — هل هذا أينشتاين؟ وجهان يمرّان بماسح شبكة لم تتعلّم سوى أينشتاين: هيثم → لا، أينشتاين → نعم. المشاهدة مجانية؛ التعديل بريميوم.
- #embeddings-3d — الكلمة تصبح متّجهًا: القُرب في الفضاء = القُرب في المعنى، ويمكنك إجراء عمليات حسابية عليها.