الشبكات العصبية (Neural Network)

الشبكات العصبية (Neural Network)

كيف يتعلم الإنسان؟!

تنتشر في جسم الإنسان ملايين الخلايا العصبية والتي تتفرع بدورها إلى الملايين من الزوائد العصبية، حيث تنقل هذه الخلايا العصبية الإحساس و ردّات الفعل من و إلى العقل البشري بواسطة الحبل الشوكي.
ومن خلال هذه الخلايا العصبية يتم تخزين المعرفة عن العالم الخارجي في العقل البشري، وذلك عن طريق ضبط الأوزان داخل هذه الخلايا.
لو أخذنا مثال بسيط و يحدث دائماً دون أن نشعر بذلك في حياتنا، وهو تعلّم الطفل للتعرف على صور الحيوانات في السنوات الأولى من عمره.
فمثلاً لو عرضنا على طفل في الثالثة من عمره صورة لبقرة ثم عرضنا صورة لقط ثم صورة لدجاجة مع ذكر اسم كل حيوان أمامه. و كررنا هذه الصور لعدة مرات. بعد ذلك تأتي مرحلة الاختبار ويتم فيها عرض الصور السابقة مع صور حيوانات أخرى لنقل صورة عصفور بحيث يطلب منه معرفة اسم الحيوان الظاهر في الصورة، نلاحظ أن الطفل سيتعرف على صور الحيوانات التي تعلمها أثناء مرحلة التعليم ولكن عند عرض صورة العصفور فإن الطفل سيتعرف على الصورة على أساس أنها صورة الدجاجة!
وذلك لأن صورة العصفور مشابهة في كثير من الخصائص الخارجية لصورة الدجاجة والتي تم تخزينها في عقله. ولكن مع تنويع الصور وتكرارها سيتعلم الطفل أكثر في كل مرة.
فكّر العلماء في طريقة يستطيعون من خلالها محاكاة هذه العملية التي تحدث في العقل البشري، وتوصلوا إلى علم الشبكات العصبية Neural Network والذي يندرج تحت علوم الذكاء الصناعي، بحيث يجعلون من أجهزة الحاسوب أجهزة ذكية، بإمكانها أن تكتسب المعرفة بنفس الطريقة التي يكتسب بها الإنسان المعرفة، وهي طريقة ضبط الأوزان أثناء التعلم.

الشبكات العصبية الاصطناعية:

هو جهاز مصمم لمحاكاة الطريقة التي يؤدي بها العقل البشري مهمة معينة، وهو عبارة عن معالج ضخم موزع على التوازي، ومكون من وحدات معالجة بسيطة، بحيث يقوم بتخزين المعرفة العملية ليجعلها متاحة للمستخدم وذلك عن طريق ضبط الأوزان.

طرق المحاكاة:

هناك عدة طرق لمحاكاة الطريقة التي يتعلم بها الإنسان وهي:

عن طريق الورقة والقلم، بحيث يتم إدخال الخصائص كمدخلات ثم القيام بعمليات حسابية معينة تضبط فيها الأوزان لتعطي النتيجة المرغوبة وهذه الطريقة غير عملية وتستخدم عادة لتوضيح المفهوم الذي تعمل به الشبكة العصبية فقط.
عن طريق عدة أشخاص مع كل شخص منهم آلة حسابية بسيطة، بحيث يمثل كل شخص منهم خلية عصبية تقوم بعملية ضبط الأوزان. وهذه الطريقة غير فعالة لنفس الأسباب السابقة.
عن طريق عدد كبير جداً من أجهز الحاسوب المتصلة ببعضها البعض، بحيث يمثل كل جهاز منها خلية عصبية تقوم بعمليات حسابية بسيطة لضبط الأوزان، وهذه الطريقة غير فعالة نظراً للعدد الكبير جداً من الأجهزة والتي تكون في الغالب مكلفة جداً.
عن طريق برنامج يحاكي هذه العملية، وهذه هي الطريقة الأمثل و الأسهل والأقل تكلفة علاوة على كونها الأكثر انتشارا، وهي التي سنعتمدها إن شاء الله في هذا الدرس لبناء شبكة عصبية.

التطبيقات التي تستخدم الشبكات العصبية:

الشبكات العصبية أعطت حلولاً ذات كفاءة عالية للكثير من التطبيقات في العديد من المجالات نذكر منها:

تمييز الأنماط والتعرف على الصور.
القدرة على التعرف على الصور المشوهة.
إكمال الصور التي فقدت جزء منها، مثل الصور المرسلة بواسطة الأقمار الصناعية.
عمليات التصنيف إلى عدد من الفئات. مثل تصنيف الحيوانات إلى أليفة و مفترسة.

لو أخذنا مثلاً على عملية التعرف على الكائنات الحية، و قمنا ببرمجة برنامج بالطريقة التقليدية للتعرف على هذه الحيوانات فإن ذلك سيكون صعب للغاية فضلاً عن كونه محدود القدرات. فالتطبيقات التقليدية تمر بعدة مراحل تتطلب في معضمها وجود الإنسان، و تتطلب برنامج ضخم للتعرف على كل حيوان على حدة!
بينما في الشبكات العصبية فإنه الشبكة تتبع نفس الطريقة التي يتعلم بها الإنسان وذلك عن طريق عرض صور الحيوانات وضبط الأوزان حتى يتم تخزين المعرفة بصورة صحيحة في ذاكرة الحاسوب ومع تكرار الصور و تنوعها تتعلم الشبكة وتصبح قادرة على إعطاء إجابات صحيحة، وكل ذلك لا يتطلب كتابة برنامج ضخم كما في التطبيقات التقليدية.

مكونات الشبكة العصبية:

كما أن للإنسان وحدات إدخال توصله بالعالم الخارجي وهي حواسه الخمس، فكذلك الشبكات العصبية تحتاج لوحدات إدخال، ووحدات معالجة يتم فيها عمليات حسابية تضبط بها الأوزان و تحصل من خلالها على ردة الفعل المناسبة لكل مدخل من المدخلات للشبكة.
فوحدات الإدخال تكوّن طبقة تسمى طبقة المدخلات، و وحدات المعالجة تكوّن طبقة المعالجة وهي التي تخرج نواتج الشبكة. وبين كل طبقة من هذه الطبقات هناك طبقة من الوصلات البينية التي تربط كل طبقة بالطبقة التي تليها والتي يتم ضبط الأوزان الخاصة بكل وصلة بينية، وتحتوي الشبكة على طبقة واحدة فقط من وحدات الإدخال ولكنها قد تحتوي على أكثر من طبقة من طبقات المعالجة.

طرق تعليم شبكة عصبية:

تتعلم الشبكة عن طريق إعطائها مجموعة من الأمثلة، التي يجب أن تكون مختارة بعناية، لأن ذلك سيساهم في سرعة تعلم الشبكة. ومجموعة الأمثلة هذه تسمى فئة التدريب.
وتنقسم طرق تعليم شبكة عصبية إلى قسمين حسب فئة التدريب التي تعرض على الشبكة. وهما:

التعليم بواسطة معلمSupervised Learning:

في هذه الطريقة تكون فئة التدريب التي تعرض على الشبكة عبارة عن زوجين من المتجهات، متجه المدخلات وهو عبارة عن القيم المدخلة للشبكة، ومتجه المخرجات وهو عبارة عن القيم التي يجب أن تخرجها الشبكة.
مثال:

Input0 1 0 1 0 0 0 1)
Output 0 1 1)

التعليم بدون معلم Unsupervised learning:

في هذه الطريقة تكون فئة التدريب عبارة عن متجه المدخلات فقط دون عرض المخرجات على الشبكة.
في الدرس التالي سنعرف على أول شبكة تتعلم بواسطة معلم وهي Perceptron Network.

الشبكة العصبية Perceptron
(Perceptron Network)

Perceptron Neural Network:

بعد أن تعرفنا على ماهية الشبكات العصبية وما هو الهدف منها سنتعرف على أحد الطرق التي يتم فيها بناء شبكة عصبية، وهي Perceptron.
الـ Perceptron Network تستخدم في التطبيقات التي تحتاج إلى تصنيف الأنماط Pattern Classification إلى فئتين فقط. أي التي يمكن فصل الأنماط بها بيانياً بواسطة خط مستقيم وتسمى هذه النوعية من الأنماط: الأنماط القابلة للفصل خطياً Linear separability patterns.
وتتكون هذه الشبكة من طبقة المدخلات وطبقة واحدة أو طبقتين من طبقة المعالجة بحيث لا تزيد طبقة المعالجة عن طبقتين، بالإضافة إلى أنه يتم ضبط الأوزان لطبقة واحدة فقط من طبقات الوصلات البينية التي تربط بين الطبقات السابقة، لتبقى الطبقة الأخرى (إن وجدت) ثابتة الأوزان. و هذه الشبكة تتعلم عن طريق معلم.
ولهذه الشبكة مميزات وعيوب، من مميزاتها أن بناء برنامج لها سهل جداً.
ومن عيوبها:

أنها لا تستطيع أن تصنف الأنماط لأكثر من فئتين.
عدد طبقات المعالجة فيها محدد بطبقة واحدة أو طبقتين فقط.
ضبط أوزان الوصلات البينية فيها يتم على طبقة واحدة فقط من طبقات الوصلات البينية.

يمر تعليم هذه الشبكات العصبية بمرحلتين وهما:

مرحلة التعليم
مرحلة الاختبار

مرحلة التعليم :

هي المرحلة التي يتم فيها ضبط أوزان الوصلات البينية حتى تصل إلى أوزان قادرة على إعطاء إجابات صحيحة.
ويتم ذلك عن طريق قيام وحدات المعالجة بثلاث عمليات رئيسية:
عملية جمع الأوزان Weighted Sum:
تقوم كل وحدة معالجة بعملية الجمع لكل وزن مدخل لها و الملحق بالوصلة البينية التي تربط بينها وبين الوحدة الموجودة في الطبقة التي تسبقها، مضروباً في القيمة الخارجة من تلك الوحدة، وهو على الصيغة:
Sj=∑ai wji
حيث wjiهو الوزن الملحق بالوصلة البينية التي تربط وحدة المعالجة j بالوحدة i الموجودة في الطبقة التي تسبقها.
و aiهي القيمة الخارجة من الوحدة i
و Sj هي ناتج عملية الجمع لكل وحدة معالجة j.
عملية التحويل Transformation:
تتم هذه العملية في الطبقة الأخيرة من طبقات المعالجة حيث يتم تحويل ناتج عملية الجمع المذكور في العملية السابقة إلى أحد القيم التي يفترض أن تكون ضمن نواتج الشبكة المرغوب بها. فمثلاً لو كانت الشبكة ستتعلم كيف تصنف الأعداد إلى فردي وزوجي، على أن تعطي كل عدد فردي القيمة 0 و كل عدد زوجي القيمة 1.
فإن قيمة Sj وهو ناتج عملية الجمع لن يعطي القيمة 0 أو 1 غالباً، لذا لا بد من تحويل هذا الناتج إلى أحد هذه القيمتين، وذلك عن طريق قاعدة التحويل والتي يحددها المبرمج. فمثلاً تكون القاعدة كالتالي:
if Sj>0 then Xj=1
if Sj<=0 then Xj=0
حيث Xj هي القيمة الخارجة من وحدة المعالجة j
عملية ضبط أوزان الشبكة weights adjustment:
بعد إتمام عملية التحويل يتم مقارنة الناتج الذي تعطيه الشبكة مع الناتج الصحيح الذي يفترض أن تعطيه الشبكة وذلك عن طريقة طرح الناتج الهدف(الصحيح) من ناتج الشبكة، فإذا كان ناتج الطرح مساوياً للصفر فهذا يعني أن الشبكة أخرجت ناتجاً صحيح، أما إن كان غير ذلك فالشبكة تحتاج لضبط أوزانها، وذلك من خلال قاعدة التعليم learning rule:
wjinew= wjiold+C(tj-Xj)ai
حيث wjinew هي قيمة الوزن الجديد الملحق بالوصلة البينية بين الوحدة j والوحدة i
و wjiold هي قيمة الوزن القديم الملحق بالوصلة البينية بين الوحدة j والوحدة i
و C هو معدل التعلم learning rate وهي قيمة ثابتة عادة ما تكون قيمة أقل من 1
و tj هي القيمة الهدف للشبكة
و Xj هي القيمة التي أنتجتها الشبكة
و ai هي المخرج من الوحدة i

إذا لم تفهم كل هذه العمليات من خلال القراءة، فهذا أمر طبيعي، سنحتاج أولاً لتطبيق عملية المحاكاة بواسطة الورقة والقلم أولاً حتى نفهم عملية التعليم ثم نصمم برنامج مناسب لها كما سنرى في الدرس القادم.

تطبيق مثال عملي على شبكة Perceptron
المثال:

لنفرض أن لدينا شبكة من النوع Perceptron ونريد تعليمها كيف تطبق الدالة المنطقية AND، و هذه الدالة تعطي القيمة 1 إذا كانت كلاً من قيمة المدخلين مساوية للواحد، وصفر في الحالات الأخرى.
وإليك مجموعة الأمثلة التالية لتدريب الشبكة:

I1
I2
t
0.0
0.0
1.0
1.0
0.0
1.0
0.0
1.0
0
0
0
1

حيث I1 و I2 ترمز للمدخلات، بينما t ترمز للمخرج أو النتيجة الهدف (المرغوب بها).
وقاعدة التحويل هي:
if Sj>0 then Xj=1
if Sj<=0 then Xj=0
وسنفرض معدل التعلم بالقيمة C=0.5.
لتمثيل هذه الشبكة فإننا نحتاج لوحدتي إدخال لأن هناك مدخلين، ووحدة معالجة واحدة لأن هناك مخرج واحد كالتالي:
من الرسم نجد أن هناك طبقة واحدة من الوصلات البينية وسنفرض لها قيم أوزان مختلفة على أن تكون في المدى من -0.5 إلى 0.5
w11=0.1
w12=0.3
سنبدأ الآن بالمدخل الأول ونطبق أول عميلة وهي عملية الجمع:
S= 0.1 * 0.0 + 0.3 * 0.0
S=0.0
وحيث أن وحدة المعالجة هذه هي آخر وحدة معالجة فيجب تطبيق قاعدة التحويل:
S=0.0<=0.0
إذاً X=0
وبعد ذلك سنطبق عملية ضبط الأوزان، ولكن أولاً نتحقق مما إذا كان هناك حاجة لضبط الأوزان أم لا:
الناتج الهدف للمدخل الأول هو 0 والناتج الذي أخرجته الشبكة هو 0 وحاصل طرح هذين الناتجين هو 0، وهذا يدل على أن أوزان الشبكة ليست بحاجة إلى تعديل.
لننتقل إلى المدخل الثاني مستخدمين نفس الأوزان السابقة لأنه لم يتم تعديلها لعدم الحاجة لذلك:
نبدأ من جديد بتطبيق عملية الجمع:
Sj=∑ai wji
S= 0.1 * 0.0 + 0.3 * 1.0
S=0.3
ثم قاعدة التحويل:

if Sj>0 then Xj=1
if Sj<=0 then Xj=0
S=0.3>0.0
X=1
وبعد ذلك عملية ضبط الأوزان:
الناتج الهدف للمدخل الثاني هو 0 أيضاً، والناتج الذي توصلت له الشبكة هو 1 بطرح ناتج الشبكة من الناتج الهدف يعطي القيمة -1
وهي غير مساوية للصفر لذا لا بد من ضبط جميع أوزان الشبكة.
wjinew= wjiold+C(tj-Xj)ai
w11new=0.1+ 0.5 * (-1)* 0.0

w11new=0.1

w12new=0.3+ 0.5 * (-1)* 1.0
w12new= -0.2
وبذلك نكون قد انتهينا من المدخل الثاني لنبدأ في الثالث مستخدمين الأوزان بعد تعديلها، متبعين نفس الخطوات السابقة:
قاعدة الجمع:
S= 0.1 * 1.0 +(- 0.2) * 0.0
S=0.1
قاعدة التحويل:
S=0.1>0.0
X=1
بعد ذلك عملية ضبط الأوزان:
الناتج الهدف للمدخل الثاني هو 0 أيضاً، والناتج الذي توصلت له الشبكة هو 1 بطرح ناتج الشبكة من الناتج الهدف يعطي القيمة -1
وهي غير مساوية للصفر لذا لا بد من ضبط جميع أوزان الشبكة.
عملية ضبط الأوزان:
w11new=0.1+ 0.5 * (-1)* 1.0

w11new= -0.4

w12new= -0.2+ 0.5 * (-1)* 0.0
w12new= -0.2
ننتقل للمدخل الرابع والأخير مستخدمين الأوزان بعد التعديل:
عملية الجمع:
S= -0.4 * 1.0 +(- 0.2) * 1.0
S= -0.6
قاعدة التحويل:
S= -0.6<0.0
X=0
بعد ذلك عملية ضبط الأوزان:
الناتج الهدف للمدخل الثاني هو 1 أيضاً، والناتج الذي توصلت له الشبكة هو 0 بطرح ناتج الشبكة من الناتج الهدف يعطي القيمة 1
وهي غير مساوية للصفر لذا لا بد من ضبط جميع أوزان الشبكة.
عملية ضبط الأوزان:
w11new= -0.4+ 0.5 * (1)* 1.0

w11new= 0.1

w12new= -0.2+ 0.5 * (1)* 1.0
w12new= 0.3
وبهذا نكون قد انتهينا من عرض جميع الأمثلة (متجهات من الأنماط) على الشبكة وعرض جميع الأمثلة على الشبكة تسمى محاولة، ففي هذه المحاولة أعطت الشبكة نتيجة واحدة فقط صحيحة من أصل 4 نتائج، أي أن الشبكة لم تتعلم بعد وتحتاج لمحاولات أخرى بنفس الطريقة، حتى تستطيع إعطاء إجابات صحيحة لكل الأمثلة، حينها نقول أن الشبكة تعلمت، ويتبقى فقط اختبارها.

مرحلة الاختبار:
اختبار الشبكة مشابه تماماً لعملية التعليم إلا أن الشبكة في هذه المرحلة لا تضبط أوزانها، وإنما فقط تقوم بعمليتي الجمع والتحويل ومقارنة الناتج الذي تنتجه الشبكة بالناتج الهدف. حيث يتم عرض فئة اختبار على الشبكة وتحتوي هذه الفئة على مجموعة من المدخلات والمخرجات المصاحبة لكل مدخل. ويفضل أن تكون فئة الاختبار مختلفة عن فئة التدريب.
فإذا استطاعت الشبكة اجتياز الاختبار وإعطاء إجابات صحيحة، يكون تعليم الشبكة ناتج، وتصبح الشبكة جاهزة للاستخدام.
أسباب عدم تعلم الشبكة:
قد يتم تصميم الشبكة وتدريبها، ولكنها بالنهاية تفشل! و أسباب فشلها في الواقع متعددة منها:

نوعية الشبكة لا تناسب التطبيق الذي تم تدريبها عليه، وهذا يستلزم اختيار شبكة أخرى.
عدد وحدات المعالجة غير مناسب.
الأوزان التي تبدأ بها الشبكة غير مناسبة.
معدل التعلم غير مناسب.
فئة التدريب لم يتم اختيارها بعناية.
قاعدة التحويل غير مناسبة.

برنامج يحاكي الـ Perceptron Network:
الصور التالية تعرض لقطات لبرنامج تم تصميمه بلغة #C ليحاكي عمل هذه الشبكة، وتم تطبيق المثال السابق عليه:

بداية البرنامج:

يتم اختيار ملف يحتوي على فئة التدريب، ويتم تحديد قاعدة التحويل و المدى الذي سيتم تحديد قيم عشوائية منه لتكون القيم الابتدائية للأوزان:

بعد ذلك ننتقل للخطوة الثانية وهي تدريب الشبكة، ويتم ذلك عن طريق تطبيق العمليات السابقة برمجياً على فئة التدريب ولعدة محاولات حتى تتعلم الشبكة:

ثم يأتي دور اختبار الشبكة، حيث تحدد فئة الاختبار، وبالنهاية سيتم عرض نتيجة الاختبار وهنا الشبكة قد تعلمت واستطاعت أن تعطي إجابات صحيحة لكل فئة الاختبار:

بإمكانك تحميل البرنامج من هنا:
[ندعوك للتسجيل في المنتدى أو التعريف بنفسك لمعاينة هذا الرابط]
[ندعوك للتسجيل في المنتدى أو التعريف بنفسك لمعاينة هذا الرابط]

الله عليك يايحي و مواضيعك الجامدة

» الأن علي منتدانا و بأنفراد ,,,, هام جدا لكل مهندسي الشبكات @@ 1000 من اهم الاسئلة فى الشبكات @@ بمساحة 8 ميجا فقط وعلى اكثر من سيرفر
» Neural Network Reference
» مجموعه كتب عن الشبكات العصبية الصناعية في مجال الميكا ترونكس
» لو أي حد عنده مشكلة في علم الشبكات (Network ) أو عايز أي كتب
» حصريا عدد فبراير من مجلة الشبكات الدولية Network World - Issue 119