- كانت الشبكات العصبية ذات التغذية الأمامية أول نوع من الشبكات العصبية الاصطناعية التي تم اختراعها، وهي أبسط من نظيراتها مثل الشبكات العصبية المتكررة والشبكات العصبية التلافيفية.
- إنها من بين أبسط أنواع الشبكات العصبية، لكنها تلعب دورًا أساسيًا في العديد من التطبيقات، بدءًا من التعرف على الصور إلى معالجة اللغة الطبيعية.
بين أنواع الشبكات العصبية المختلفة، تعد الشبكات العصبية ذات التغذية الأمامية (FNN) من بين الأكثر أساسية والأكثر استخدامًا. فهي تشكل أساس العديد من الشبكات العصبية المهمة المستخدمة مؤخرًا، مثل الشبكات العصبية التلافيفية، والشبكات العصبية المتكررة، وغيرها. على الرغم من بساطتها، إلا أنها تشكل العمود الفقري للعديد من أنظمة الذكاء الاصطناعي المتطورة. في هذه المدونة، سنستكشف ما هي الشبكات العصبية ذات التغذية الأمامية ومكوناتها الأساسية.
ما هي الشبكة العصبية ذات التغذية الأمامية
تعدالشبكة العصبية ذات التغذية الأماميةنوعًا من الشبكات العصبية الاصطناعية حيث لا تشكل الاتصالات بين العقد (الخلايا العصبية) دورة. هذا التدفق الاتجاهي الأحادي — من طبقة الإدخال، عبر الطبقات المخفية، إلى طبقة الإخراج — هو السمة المميزة للشبكات ذات التغذية الأمامية. على عكسالشبكات العصبية المتكررة(RNN)، التي تعالج البيانات المتسلسلة عن طريق إعادة توجيه الاتصالات، تعالج الشبكات ذات التغذية الأمامية البيانات في تمريرة واحدة، مما يجعلها أبسط وأسهل في الفهم.
اقرأ أيضًا:7 أسباب لاستخدامنا الشبكات العصبية في التعلم الآلي
اقرأ أيضًا:ما هي الطبقات المخفية في الشبكات العصبية وما أنواعها؟
المكونات الأساسية للشبكات العصبية ذات التغذية الأمامية
طبقة الإدخال:طبقة الإدخال هي الطبقة الأولى من الشبكة، المسؤولة عن استقبال وتقديم البيانات الخام أو ميزات مجموعة البيانات. كل عقدة في هذه الطبقة تمثل ميزة أو سمة من سمات البيانات. على سبيل المثال، في مهمة تصنيف الصور، ستستقبل طبقة الإدخال قيم البكسل للصورة.
الطبقات المخفية:الطبقات المخفية هي طبقات وسيطة بين طبقات الإدخال والإخراج. يمكن أن تحتوي الشبكة العصبية ذات التغذية الأمامية على طبقة مخفية واحدة أو أكثر، تحتوي كل منها على عدة خلايا عصبية. تقوم الطبقات المخفية بإجراء حسابات وتحويلات معقدة على بيانات الإدخال. كل خلية عصبية في هذه الطبقات تحسب مجموعًا موزونًا للمدخلات، وتطبق وظيفة تنشيط، وترسل النتيجة إلى الطبقة التالية. تقدم هذه العملية اللاخطية، مما يسمح للشبكة بتعلم ونمذجة أنماط معقدة في البيانات.
طبقة الإخراج:تنتج طبقة الإخراج النتيجة النهائية أو التنبؤ للشبكة. تقوم بتحويل البيانات من الطبقات المخفية إلى تنسيق الإخراج المطلوب. لمهام التصنيف، قد تستخدم طبقة الإخراج وظيفة تنشيط softmax لتوفير احتمالات للفئات المختلفة. لمهام الانحدار، قد تستخدم وظيفة تنشيط خطية للتنبؤ بقيم مستمرة.
الأوزان والتحيزات:الأوزان والتحيزات هي معلمات داخل الشبكة يتم ضبطها أثناء التدريب. تحدد الأوزان قوة الاتصالات بين الخلايا العصبية، بينما تسمح التحيزات للشبكة بالتكيف بشكل أكثر مرونة مع البيانات. أثناء التدريب، يقوم المحسن بضبط هذه المعلمات لتقليل دالة الخسارة.
وظائف التنشيط:تقدم وظائف التنشيط اللاخطية في الشبكة. تشمل وظائف التنشيط الشائعة ReLU (وحدة خطية مصححة)، والسيجمويد، وtanh. تساعد هذه الوظائف الشبكة على التعلم من أخطائها والتقاط علاقات معقدة في البيانات.