Identity Mapping

في الرياضيات والجبر الخطي، تكون دالة الهوية أو مصفوفة الهوية دالةً تعيد القيمة نفسها تمامًا التي أُدخلت إليها. وفي سياق الذكاء الاصطناعي (AI) والتعلم العميق، يشير تعيين الهوية إلى تقنية بنيوية محددة تمرر بيانات الإدخال مباشرةً إلى الطبقات اللاحقة في الشبكة العصبية الالتفافية (CNN) من دون تحويلات غير خطية. وقد ذاع هذا المفهوم على نطاق واسع مع ظهور الشبكات المتبقية (ResNet) في عام 2015، ما أحدث ثورة في بنية نماذج الرؤية الحاسوبية (CV) العميقة وتدريبها.

آلية عمل تعيين الهوية#

تعاني الشبكات العصبية العميقة كثيرًا من مشكلة تلاشي التدرج. ففي أثناء الانتشار العكسي، تصبح إشارات الخطأ المستخدمة لتحديث أوزان الشبكة أصغر أُسّيًا كلما انتقلت إلى الوراء عبر الطبقات، ما يحول دون تعلم الطبقات المبكرة بفاعلية. ويعالج تعيين الهوية هذه المشكلة بإنشاء «وصلات تخطٍّ» أو «وصلات اختصار».

بدلًا من إجبار الطبقات المتتابعة على تعلم تعيين جديد بالكامل لا يستند إلى مرجع، تُصمَّم هذه الطبقات لتعلم دالة متبقية. رياضيًا، إذا كان الإدخال إلى كتلة ما هو x، تتعلم الطبقة تحويلًا F(x). ويضيف تعيين الهوية الإدخال الأصلي x مباشرةً إلى ناتج ذلك التحويل، لتكون النتيجة النهائية F(x) + x. ويضمن ذلك تدفق التدرجات مباشرةً ومن دون عوائق عبر العمود الفقري للنموذج، حتى في الشبكات شديدة العمق. وكثيرًا ما تستفيد مؤسسات أبحاث الذكاء الاصطناعي المرموقة مثل Google DeepMind وOpenAI من هذه الاختصارات البنيوية لتثبيت التدريب في النماذج الأساسية الضخمة.

تعيين الهوية مقابل الحفاظ على الهوية#

من المهم التمييز بين تعيين الهوية ومفهوم الحفاظ على الهوية المشابه له في التسمية.

في حين أن تعيين الهوية ميزة بنيوية في ترميز الشبكة العصبية، تهدف إلى تحسين تدفق التدريب في التعلم الآلي (ML)، فإن الحفاظ على الهوية مهمة مستقلة في الرؤية الحاسوبية. ويركز الحفاظ على الهوية على صون الاتساق البصري لشخص أو جسم محدد عبر إطارات فيديو مختلفة في تتبع الأجسام، أو عبر الصور المولّدة في مسارات عمل الذكاء الاصطناعي التوليدي.

تطبيقات عملية#

يشكل تعيين الهوية لبنة أساسية لكثير من النماذج عالية الدقة المستخدمة حاليًا في بيئات الإنتاج:

• كشف الأجسام المتقدم: تستخدم البنى الحديثة الآنية، ومنها أحدث طراز من Ultralytics YOLO26، كتلًا متبقية متقدمة تحتوي على تعيينات هوية داخل طبقات استخراج السمات. ويتيح ذلك تنفيذ كشف سريع ودقيق في بيئات معقدة مثل القيادة الذاتية، من دون تراجع الأداء عند زيادة عمق الشبكة.
• نماذج تصنيف الصور: تعتمد بنى الرؤية المتطورة، الموثقة على نطاق واسع في المستودعات الأكاديمية مثل arXiv والمكتبة الرقمية IEEE Xplore، على تعيين الهوية لتدريب النماذج التي تتألف من مئات الطبقات بنجاح. وتستخدم أطر العمل عالية المستوى مثل TensorFlow هذه الاختصارات لاستخراج سمات هرمية شديدة التعقيد من مجموعات بيانات ضخمة.

تنفيذ تعيين الهوية في PyTorch#

عند بناء شبكات عصبية مخصصة، توفر أطر عمل التعلم العميق مثل PyTorch أدوات أصلية لتنفيذ هذه الاختصارات بسهولة. ويمكن استخدام وحدة PyTorch nn.Identity صراحةً، أو تطبيق الجمع الرياضي ببساطة ضمن المرور الأمامي لـ‏nn.Module.

يوضح المقتطف التالي كتلة متبقية أساسية تستخدم تعيين الهوية. وتجدر الإشارة إلى أن المطورين الذين يستخدمون منصة Ultralytics السحابية لإدارة مجموعات البيانات وتدريب النماذج يستفيدون تلقائيًا من هذه البنى المحسّنة بدرجة كبيرة في الخلفية.

import torch.nn as nn


class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super().__init__()
        # ⁨طبقة التفافية بسيطة لاستخراج السمات⁩
        self.conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        # ⁨وحدة صريحة لتعيين الهوية⁩
        self.identity = nn.Identity()

    def forward(self, x):
        # ⁨ناتج الكتلة هو مجموع السمات المتعلّمة وتعيين الهوية⁩
        return self.conv(x) + self.identity(x)