Backpropagation

الانتشار العكسي، وهو اختصار لعبارة «الانتشار العكسي للأخطاء»، هو الخوارزمية الأساسية التي تمكّن أنظمة الذكاء الاصطناعي الحديثة من التعلم من البيانات. ويعمل بمثابة رسول رياضي أثناء عملية تدريب النموذج، إذ يحسب بدقة مقدار مساهمة كل معلمة في شبكة عصبية في التنبؤ غير الصحيح. ومن خلال تحديد تدرّج دالة الخسارة بالنسبة إلى كل وزن، يوفّر الانتشار العكسي الملاحظات اللازمة التي تتيح للشبكة تعديل نفسها وتحسين الدقة بمرور الوقت. ومن دون هذه الطريقة الفعّالة لحساب المشتقات، سيكون تدريب النماذج العميقة والمعقدة غير ممكن حسابيًا.

آلية التعلّم#

لفهم الانتشار العكسي، من المفيد النظر إليه باعتباره جزءًا من دورة. عندما تعالج شبكة عصبية صورة أو نصًا، فإنها تنفّذ «مرورًا أماميًا» لإجراء تنبؤ. ثم يقارن النظام هذا التنبؤ بالإجابة الصحيحة باستخدام دالة خسارة، التي تحدد مقدار الخطأ.

يبدأ الانتشار العكسي من طبقة الإخراج ويتحرك إلى الخلف عبر طبقات الشبكة. ويستخدم قاعدة السلسلة في التفاضل والتكامل لحساب التدرجات. وتخبر هذه التدرجات النظام فعليًا: «لتقليل الخطأ، زد هذا الوزن قليلًا» أو «خفّض ذلك الانحياز بدرجة كبيرة». وتُعد هذه المعلومات ضرورية للبنى العميقة، مثل الشبكات العصبية الالتفافية (CNNs)، حيث يجب ضبط ملايين المعلمات بدقة في الوقت نفسه.

الانتشار العكسي مقابل التحسين#

من الشائع أن يخلط المبتدئون بين الانتشار العكسي وخطوة التحسين، لكنهما عمليتان منفصلتان ضمن حلقة التدريب.

• الانتشار العكسي هو أداة التشخيص. إذ يحسب التدرجات، ويرسم فعليًا خريطة توضّح ميل مشهد الخطأ. ويجيب عن السؤال: «في أي اتجاه ينبغي أن نتحرك لتقليل الخطأ؟»
• التحسين هو الإجراء. تأخذ خوارزميات مثل الانحدار المتدرج العشوائي (SGD) أو محسّن Adam التدرجات التي يوفّرها الانتشار العكسي وتحدّث الأوزان. فإذا كان الانتشار العكسي هو الخريطة، فإن المُحسّن هو المتنزه الذي يخطو الخطوات.

التطبيقات الواقعية في الذكاء الاصطناعي#

يمثّل الانتشار العكسي الآلية الأساسية لجميع نجاحات الذكاء الاصطناعي الحديثة تقريبًا، إذ يمكّن النماذج من التعميم من بيانات التدريب إلى مدخلات جديدة لم ترها من قبل.

• رؤية الحاسوب: في مهام اكتشاف الكائنات التي تستخدم نماذج مثل YOLO26، يمكّن الانتشار العكسي الشبكة من تعلّم التراتبيات المكانية. ويساعد النموذج على فهم أن حوافًا معينة تكوّن أشكالًا، وأن هذه الأشكال تكوّن كائنات مثل السيارات أو المشاة. واستشرافًا للمستقبل، تستفيد منصة Ultralytics من تقنيات التدريب هذه لمساعدة المستخدمين على إنشاء نماذج مخصصة يمكنها تحديد العيوب في التصنيع بدقة أو مراقبة صحة المحاصيل في الزراعة.
• معالجة اللغة الطبيعية (NLP): بالنسبة إلى نماذج اللغة الكبيرة (LLMs) مثل تلك التي طوّرتها OpenAI، يتيح الانتشار العكسي للنظام تعلّم احتمالية الكلمة التالية في الجملة. ومن خلال نشر الأخطاء الناتجة عن التنبؤات النصية غير الصحيحة، يتعلم النموذج قواعد اللغة والسياق بدقة، وهو أمر ضروري لتطبيقات مثل الترجمة الآلية.

التحديات في الشبكات العميقة#

على الرغم من قوة الخوارزمية، فإنها تواجه تحديات في الشبكات العميقة جدًا. تحدث مشكلة تلاشي التدرج عندما تصبح التدرجات صغيرة جدًا أثناء تحركها إلى الخلف، مما يؤدي إلى توقف الطبقات المبكرة عن التعلم. وعلى العكس، يتضمن انفجار التدرج تراكم التدرجات إلى قيم غير مستقرة بدرجة كبيرة. وغالبًا ما تُستخدم تقنيات مثل تطبيع الدفعة وبنى متخصصة مثل ResNet للتخفيف من هذه المشكلات.

مثال على شفرة Python#

على الرغم من أن المكتبات عالية المستوى مثل ultralytics تخفي تفاصيل هذه العملية أثناء التدريب، فإن إطار PyTorch يتيح لك رؤية الآلية مباشرة. وتؤدي الطريقة .backward() إلى تشغيل عملية الانتشار العكسي، وحساب المشتقات لأي موتر تكون فيه requires_grad=True.

import torch

# Create a tensor that tracks operations for backpropagation
w = torch.tensor([2.0], requires_grad=True)
x = torch.tensor([3.0])

# Forward pass: compute prediction and loss (simple example)
# Let's assume the target value is 10.0
loss = (w * x - 10.0) ** 2

# Backward pass: This command executes backpropagation
loss.backward()

# The gradient is now stored in w.grad, showing how to adjust 'w'
# This tells us the slope of the loss with respect to w
print(f"Gradient (dL/dw): {w.grad.item()}")

قراءات إضافية#

لفهم كيفية اندماج الانتشار العكسي في النطاق الأوسع لتطوير الذكاء الاصطناعي، من المفيد استكشاف مفهوم زيادة البيانات، إذ يوفر الأمثلة المتنوعة اللازمة للخوارزمية كي تعمّم بفاعلية. بالإضافة إلى ذلك، يساعد فهم المقاييس المحددة المستخدمة لتقييم نجاح التدريب، مثل متوسط الدقة المتوسطة (mAP)، في تفسير مدى جودة تحسين عملية الانتشار العكسي للنموذج. وللتعمق أكثر في الجانب النظري، تقدم ملاحظات مقرر Stanford CS231n شرحًا تقنيًا ممتازًا للتفاضل والتكامل المستخدم.