ماذا تعرف عن الشبكة عصبية ذات تغذية أمامية: دليلك الشامل   

تعد الشبكات العصبية النموذج الأساسي لخوارزميات التعلم العميق التي تمكنها من فهم البيانات وتحليلها بطريقة تؤدي الى اكتشاف العلاقات والأنماط بينها, وكما تعرف فإن اختيار نوع الشبكة العصبية الأفضل يعتمد على نوع البيانات والمهمة المطلوبة, مثلا, هل فكرت يوما كيف تعمل بصمة الوجه على هاتفك الذكي وكيف يستطيع الجهاز أن يتعرف على وجهك ليسمح بأمر فتحه, هنا تتدخل الشبكة العصبية ذات التغذية الأمامية FeedForward Neural Network, تعد هذه الشبكة من الشبكات بسيطة التركيب وسريعة التعلم مما يجعلها مناسبة للتطبيقات التي تتطلب معالجة البيانات في الوقت الفعلي, كما أن تركيبها البسيط يتيح إمكانية تفسير نتائجها بسهولة. 

إذا كنت تتساءل عن تركيب الشبكة العصبية ذات التغذية الأمامية ومميزاتها وما التطبيقات التي تستخدم فيها, فهذا المقال لك, اقرأ المقال حتى النهاية لتزيد ثقافتك عن هذا النوع من الشبكات. 

ما هي الشبكة العصبية ذات التغذية الأمامية؟ 

 الشبكة العصبية ذات التغذية الأمامية هي أول نوع من أنواع الشبكات العصبية تم اختراعه وتعد واحدة من أبسط الشبكات العصبية المعروفة حتى يومنا هذا, أما عن سبب تسميتها ب "ذات تغذية أمامية" فهو لأن تدفق المعلومات فيها يكون باتجاه واحد فقط دون عودة - أي للأمام- دون دوران أو حلقات. [1]

حيث تتدفق بدءا من عقدة الإدخال وتستمر عبر العقد المخفية وصولا الى عقدة الإخراج, على عكس الشبكات العصبية المتكررة حيث تتدفق البيانات فيها بشكل دائري حيث تأخذ البيانات المدخلة وتمررها عبر العقد السابقة بشكل متكرر، مما يسمح بتأثير المدخلات السابقة على المدخلات والمخرجات الحالية, أما في الشبكة العصبية ذات التغذية الأمامية لا يوجد مثل هذا الأمر فهي لا تحتفظ بذاكرة للحالة السابقة, بل يتأثر كل مدخل بشكل مباشر بالمدخلات الحالية لذلك فهي تستخدم في المهام التي لا تتطلب فهم السياق أو التأثير الزمني بشكل كبير، مثل تصنيف الصور أو البيانات الثابتة.

يتم تدريبها باستخدام طريقة الانتشار العكسي Backpropagation حيث تقوم على تعديل وتحديث معاملات الشبكة بناء على الفارق بين النتائج التوقعية والنتائج الفعلية. [2]

 تركيب الشبكة العصبية ذات التغذية الأمامية 

تتكون الشبكة العصبية ذات التغذية الأمامية من تركيب بسيط, حيث تحتوي على الطبقات الآتية: [3]

• طبقة الإدخال Input Layer: تستقبل العصبونات في هذه الطبقة البيانات المدخلة وتمررها الى طبقات الشبكة الأخرى, ويجب أن يكون عدد العصبونات في طبقة الإدخال مساويا لعدد السمات أو الخصائص في مجموعة البيانات, بمعنى آخر، إذا كانت مجموعة بيانات تحتوي على 100 خاصية أو سمة, فيجب أن تكون الطبقة الداخلية في نموذج الشبكة العصبية تحتوي على 100 عصبون، لضمان التوافق الفعال في تدفق المعلومات خلال الشبكة.

•  الطبقة المخفية Hidden Layer: تعد هذه الطبقة بمثابة المحرك الحسابي للشبكة إذ تتم فيها معالجة البيانات المدخلة وفهم العلاقات المختلفة بينها وتحولها الى شكل قابل للاستخدام من قبل طبقة الإخراج, كما أنها هي ما تجعل الشبكة العصبية عميقة, أي كلما زاد عدد الطبقات المخفية كانت الشبكة العصبية أعمق. ما يحدث حقا في الطبقة المخفية هو أن المدخلات تنتقل من عصبون لآخر داخل الطبقة, ثم تضرب قيم المدخلات بوزن محدد لكل وصلة بين العصبونات في الطبقة السابقة, هذا يعكس تأثير الأهمية المخصصة لكل وصلة, ثم يمرر الناتج عبر ما يسمى بدالة التنشيط Activation Function وهي التي تقوم بتحديد ما إذا كانت الخلية العصبية ستفعل (ترسل إشارة) أم لا بناء على الناتج, هذا يسمح للشبكة بتعلم العلاقات غير الخطية بين المدخلات والمخرجات, تكرر هذه العملية عبر الطبقات الخفية والنواتج تستخدم كمدخلات للطبقة التالية، وهكذا يستمر التحويل حتى الوصول إلى الطبقة النهائية التي تُعطي الناتج النهائي للنموذج. [4]

• العصبونات أو العقد العصبية Neurons: تعد العصبونات المكون الأساسي للشبكة العصبية حيث تكون في طبقات الشبكة العصبية متصلة ببعضها البعض مما يشكل شبكة متصلة بالكامل, تقوم العصبونات بوظيفتين أساسيتين الأولى: حساب مجموع الإشارات المرجحة, حيث تقوم بجمع الإشارات الواردة إليها من مصادر مختلفة, كل إشارة تحمل وزنا معينا (وزن الاتصال) يضرب في قيمة الإشارة، ثم يتم جمع هذه المنتجات للحصول على المجموع الإجمالي للإشارات المرجح, أما الثانية فهي: تشغيل عملية التنشيط, حيث يتم تطبيق وظيفة تنشيط على المجموع الناتج, و تحديد ما إذا كانت الخلية العصبية سترسل إشارة إلى الطبقة التالية في الشبكة أم لا.

• طبقة المخرجات Output Layer: وهي الطبقة الأخيرة في الشبكة العصبية التي تعطي النتائج المتوقعة للبيانات المدخلة, يعتمد عدد الخلايا العصبية في الطبقة النهائية على عدد المخرجات الممكنة التي تم تصميم الشبكة لإنتاج.

تطبيقات على الشبكة العصبية ذات التغذية الأمامية

فيما يلي تطبيقات عملية للشبكة العصبية ذات التغذية الأمامية: [5]

• ضغط البيانات Data Compression : يمكن استخدام الشبكات العصبية لتطوير نماذج لضغط البيانات، حيث يتم تدريب النموذج على تمثيل البيانات بشكل فعال، مما يؤدي إلى تقليل حجم البيانات دون فقدان الأهمية.
• التعرف على الأنماط Pattern Recognition: في تطبيقات التعرف على الأنماط، يمكن استخدام الشبكات العصبية لتعلم وتمييز الأنماط المعقدة في البيانات، مثل التعرف على نماذج في الإشارات أو التصوير.
• رؤية الحاسوب Computer Vision: تلعب الشبكات العصبية دورا مهما في مجال رؤية الحاسوب، حيث يمكنها تحليل الصور والفيديوهات، وتصنيف الكائنات وتتبع الحركة، وتحسين تفاصيل الصورة.
• تعرف على الأهداف باستخدام السونار Sonar Target Recognition: يمكن استخدام الشبكات العصبية في التعرف على الأهداف باستخدام السونار، حيث يمكن للنماذج تحليل نمط التوقيع الصوتي للأهداف والتعرف عليها بفعالية.
• تعرف على الكلام Speech Recognition: تستخدم الشبكات العصبية في مجال التعرف على الكلام لتحويل الكلام المنطوق إلى نص، ويمكن تدريبها لفهم مختلف اللهجات والأصوات.
• تعرف على الأحرف اليدوية Handwritten Characters Recognition: تستخدم في تطبيقات تعرف الأحرف اليدوية، حيث يمكن للشبكات العصبية تحليل الخط اليدوي وتحديد الأحرف والكلمات بدقة.

ما هي مميزاتها؟ 

فضلا عن تركيبها البسيط تتميز الشبكة العصبية بمميزات عديدة منها: [6]

• تتميز الشبكة العصبية ذات التغذية الأمامية بقدرتها على تقديم تمثيل دقيق لأي نوع من الوظائف الرياضية باستخدام تركيب من الخلايا العصبية وتفعيلها بطريقة مناسبة, يعد هذا مهما جدا في مجالات مثل تقدير العلاقات المعقدة في البيانات، حيث يمكن للشبكات العصبية تمثيل وتقريب البيانات بشكل فعال وفعالية عند توفر عدد كاف من الوحدات باستخدام الدوال التفعيل الملائمة.

• تتمتع كذلك بقدرتها على التعامل مع العلاقات المعقدة وغير الخطية في البيانات, هذا يتم من خلال استخدام وظائف تفعيل غير خطية، مثل دالة التنشيط مثل ReLU, في هياكل الشبكات.

• تسمح بشكل طبيعي إجراء عمليات حسابية بتوازي خلال مرحلة الانتقال للأمام Forward Pass, وذلك لأنه لا توجد اتصالات دورية في هذه الشبكات, هذا يعني أنه يمكن تنفيذ العمليات الحسابية لعدة وحدات في نفس الوقت, هذا التوازن في الحسابات يمكن أن يؤدي إلى تسريع عمليات التدريب والتنبؤ، خاصة عند الاستفادة من تقنيات مثل معالجات الرسوميات GPUs، التي تعتبر قوية في التعامل مع الحسابات المتوازية. 

• يمكن تطبيق تقنيات مثل Dropout و Weight Decay لمنع حدوث مشكلة Overfitting مما يحسن قدرة الشبكة العصبية على التعامل مع مجموعة أوسع من البيانات، مما يؤدي إلى تحسين تعميم النموذج وتقليل احتمالية تأثره بالضوضاء والتفاصيل الغير هامة في البيانات التدريبية.

• تستطيع الشبكة العصبية ذات التغذية الأمامية التكيف مع زيادة في حجم البيانات أو تعقيد المشكلات بشكل فعال, من خلال زيادة عدد الطبقات الخفية والوحدات العصبية داخلها, وهذا يزيد من قدرتها على تعلم تمثيلات تسلسلية وهرمية، وبالتالي التعامل مع مجموعات أكبر وأكثر تعقيدا من البيانات

الفرق بين الشبكة العصبية التكرارية والشبكة العصبية ذات التغذية الأمامية

تختلف الشبكتان عن بعضهما البعض في الأمور الأساسية كالتركيب وكيفية العمل, ولكن أيضا تختلفان في أمور أخرى, مثل: [7]

• تأخير معالجة البيانات 

الشبكة العصبية التكرارية: يوجد تأخير في معالجة البيانات فيها بسبب استخدام معلومات من السابق في معالجة البيانات الحالية, إذ يحتاج النموذج إلى الانتظار حتى يتم استلام المعلومات من الخطوات السابقة قبل أن يتمكن من المعالجة الفعالة للإشارة الحالية.

الشبكة ذات التغذية الأمامية: لا يوجد تأخير لأن الإشارات تتحرك باتجاه واحد فقط من طبقات الإدخال إلى الطبقات الخفية ثم إلى طبقة الإخراج، ولا توجد حلقات دورية تتسبب في تأخير في المعالجة

• التعقيد

الشبكة العصبية التكرارية: تعد أكثر تعقيدا في التدريب والفهم نظرا للتفاعل المتكرر والتبادل المستمر بين الحالة الحالية والحالة السابقة.

الشبكة العصبية ذات التغذية الأمامية: تعد أبسط وأسهل من الشبكة العصبية التكرارية.

• استقلالية العصبونات

الشبكة العصبية التكرارية: يحدث تفاعل مباشر بين العصبونات في نفس الطبقة نظرا لوجود حلقات دورية, كما أن العصبونات في نفس الطبقة يمكن أن تشارك المعلومات مع بعضها البعض

الشبكة العصبية ذات التغذية الأمامية: يكون هناك تمام استقلال بين العصبونات في نفس الطبقة، حيث لا تحدث أي تفاعلات مباشرة بينها.

• السرعة

الشبكة العصبية التكرارية: تكون أبطأ في بعض الحالات، خاصة عند التعامل مع تسلسلات طويلة

الشبكة العصبية ذات التغذية الأمامية: تكون أسرع في التدريب والتنبؤ 

الخاتمة

في الختام، تبرز الشبكة العصبية ذات التغذية الأمامية كأداة فعالة في تصنيف الصور والبيانات الثابتة. يتميز تركيبها البسيط بقدرتها على التعامل مع البيانات بشكل فعال وسريع، وتقديم تمثيل دقيق للوظائف الرياضية. بفضل وظائف التنشيط غير الخطية، تستطيع التعامل مع العلاقات المعقدة في البيانات, كما توفر ميزات مثل Dropout و Weight Decay حلا لمشكلة Overfitting ، مما يعزز تعميم النموذج, كما أنها تتكيف مع حجم البيانات وتعقيد المشكلات، مما يعزز قدرتها على التعلم والتنبؤ.

المصادر

1. Feed Forward Neural Network Definition | DeepAI
2. How Does Backpropagation in a Neural Network Work?
3. Understanding Feed Forward Neural Networks in Deep Learning
4. Hidden Layer Definition | DeepAI.
5. Main Types of Neural Networks and its Applications — Tutorial
6. Look forward to Feedforward Neural Networks ⏩ | by Manoj Das | Medium
7. Difference Between Feed-Forward Neural Networks and Recurrent Neural Networks - GeeksforGeeks