Identity Mapping

في الرياضيات والجبر الخطي، تكون الدالة المطابقة أو المصفوفة المطابقة هي دالة تُرجع القيمة ذاتها التي تم استخدامها كمدخل لها. وفي سياق الذكاء الاصطناعي (AI) والتعلم العميق، تشير المطابقة الهُوية (Identity Mapping) إلى تقنية معمارية محددة تُستخدم لتمرير بيانات الإدخال مباشرةً إلى الطبقات اللاحقة في الشبكة العصبية التلافيفية (CNN) دون أي تحويلات غير خطية. حظي هذا المفهوم بشعبية واسعة بعد تقديم الشبكات المتبقية (ResNet) في عام 2015، والتي أحدثت ثورة في كيفية هيكلة وتدريب نماذج الرؤية الحاسوبية (CV) العميقة.

Link to this sectionكيف تعمل المطابقة الهُوية#

تعاني الشبكات العصبية العميقة بشكل متكرر من مشكلة تلاشي التدرج. أثناء الانتشار العكسي، تصبح إشارات الخطأ المستخدمة لتحديث أوزان الشبكة أصغر بشكل كبير كلما انتقلت إلى الوراء عبر الطبقات، مما يمنع الطبقات الأولية من التعلم بفعالية. تعالج المطابقة الهُوية هذه المشكلة عبر إنشاء "وصلات تخطي" (skip connections) أو "وصلات اختصار" (shortcut connections).

بدلاً من إجبار الطبقات المتسلسلة على تعلم تعيين جديد وغير مرجعي بالكامل، يتم تصميمها لتعلم دالة متبقية. رياضياً، إذا كان مدخل الكتلة هو x، فإن الطبقة تتعلم تحويلاً F(x). تضيف المطابقة الهُوية المدخل الأصلي x مباشرةً إلى مخرج ذلك التحويل، مما ينتج عنه المخرج النهائي F(x) + x. يضمن هذا أنه حتى في الشبكات العميقة للغاية، يمكن للتدرجات أن تتدفق دون عوائق مباشرة عبر العمود الفقري للنموذج. تستفيد منظمات أبحاث الذكاء الاصطناعي المرموقة مثل Google DeepMind وOpenAI بشكل متكرر من هذه الاختصارات المعمارية لتحقيق استقرار التدريب في النماذج التأسيسية الضخمة.

Link to this sectionالمطابقة الهُوية مقابل الحفاظ على الهوية#

من الضروري التمييز بين المطابقة الهُوية والحفاظ على الهوية المسمى بشكل مشابه.

بينما تُعد المطابقة الهُوية ميزة برمجية هيكلية في الشبكة العصبية مصممة لتحسين تدفق تدريب التعلم الآلي (ML)، فإن الحفاظ على الهوية هو مهمة رؤية حاسوبية متميزة. يركز الحفاظ على الهوية على الحفاظ على الاتساق البصري لشخص أو كائن معين عبر إطارات فيديو مختلفة في تتبع الكائنات أو عبر الصور المُنشأة في سير عمل الذكاء الاصطناعي التوليدي.

Link to this sectionتطبيقات العالم الحقيقي#

تعمل المطابقة الهُوية كحجر بناء أساسي للعديد من النماذج عالية الدقة المستخدمة في الإنتاج اليوم:

• كشف الكائنات المتقدم: تستخدم بنيات الوقت الفعلي الحديثة، بما في ذلك أحدث YOLO26 من Ultralytics، كتل متبقية متقدمة تحتوي على خرائط هوية داخل طبقات استخراج الميزات الخاصة بها. وهذا يمكنها من إجراء كشف عالي السرعة والدقة في بيئات معقدة مثل القيادة الذاتية دون تدهور الأداء مع زيادة عمق الشبكة.
• نماذج تصنيف الصور: تعتمد بنى الرؤية الحديثة، الموثقة على نطاق واسع في مستودعات أكاديمية مثل arXiv ومكتبة IEEE Xplore الرقمية، على خرائط الهوية لتدريب النماذج بنجاح مع مئات الطبقات. تستخدم أطر عمل رفيعة المستوى مثل TensorFlow هذه الاختصارات لاستخراج ميزات هرمية شديدة التعقيد من مجموعات بيانات ضخمة.

Link to this sectionتنفيذ المطابقة الهُوية في PyTorch#

عند بناء شبكات عصبية مخصصة، توفر أطر عمل التعلم العميق مثل PyTorch أدوات أصلية لتنفيذ هذه الاختصارات دون عناء. يمكنك استخدام وحدة PyTorch nn.Identity بشكل صريح أو ببساطة تطبيق الجمع الرياضي داخل تمريرة nn.Module للأمام.

يوضح المقتطف التالي كتلة متبقية أساسية تستخدم خريطة هوية. لاحظ أن المطورين الذين يستخدمون منصة Ultralytics المستندة إلى السحابة لإدارة مجموعات البيانات وتدريب النماذج يستفيدون من هذه الهياكل المعمارية المحسنة للغاية تلقائياً خلف الكواليس.

import torch.nn as nn


class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super().__init__()
        # A simple convolutional layer for feature extraction
        self.conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        # Explicit identity mapping module
        self.identity = nn.Identity()

    def forward(self, x):
        # The block output is the sum of the learned features and the identity map
        return self.conv(x) + self.identity(x)