Identity Mapping

في الرياضيات والجبر الخطي، الخريطة المطابقة أو مصفوفة الوحدة هي دالة تعيد نفس القيمة تماماً التي تم إدخالها كمدخل لها. وفي سياق الذكاء الاصطناعي (AI) والتعلم العميق، تشير خريطة المطابقة إلى تقنية معمارية محددة تُستخدم تمرير بيانات الإدخال مباشرة إلى الطبقات اللاحقة من الشبكة العصبية التلافيفية (CNN) دون أي تحويلات غير خطية. تم انتشار هذا المفهموم بشكل كبير من خلال إدخال الشبكات المتبقية (ResNet) في عام 2015، مما أحدث ثورة في كيفية هيكلة وتدريب نماذج رؤية الكمبيوتر (CV) العميقة.

كيف تعمل المطابقة الهُوية#

تعاني الشبكات العصبية العميقة بشكل متكرر من مشكلة التدرج المتلاشي. أثناء الانتشار العكسي، تصبح إشارات الأخطاء المستخدمة لتحديث أوزان الشبكة أصغر بشكل كبير كلما انتقلت إلى الوراء عبر الطبقات، مما يمنع الطبقات المبكرة من التعلم بفعالية. تحل خريطة المطابقة هذه المشكلة عن طريق إنشاء "وصلات تخطي" أو "وصلات اختصار".

بدلاً من إجبار الطبقات المتتالية على تعلم خريطة جديدة تماماً وغير مرجعية، يتم تصميمها لتعلّم دالة متبقية. رياضياً، إذا كان الإدخال إلى كتلة هو x، تتعلم الطبقة تحويلاً F(x). تضيف خريطة المطابقة الإدخال الأصلي x مباشرة إلى إخراج ذلك التحويل، مما ينتج عنه الإخراج النهائي F(x) + x. يضمن هذا أنه حتى في الشبكات العميقة للغاية، يمكن أن تتدفق التدرجات دون عوائق مباشرة عبر العمود الفقري للنموذج. تستفيد منظمات أبحاث الذكاء الاصطناعي السمعة مثل Google DeepMind وOpenAI غالباً من هذه الاختصارات المعمارية لتثبيت التدريب في نماذج الأساس الهائلة.

المطابقة الهُوية مقابل الحفاظ على الهوية#

من الأهمية بمكان تمييز خريطة المطابقة عن الحفاظ على الهوية المسماة بالمثل.

في حين أن خريطة المطابقة هي ميزة ترميز هيكلية لشبكة عصبية مصممة لتحسين تدفق تدريب التعلم الآلي (ML)، فإن الحفاظ على الهوية هو مهمة رؤية حاسوبية مميزة. يركز الحفاظ على الهوية على الحفاظ على الاتساق البصري لشخص أو كائن معين عبر إطارات الفيديو المختلفة في تتبع الكائنات أو عبر الصور المُولّدة في سير عمل الذكاء الاصطناعي التوليدي.

تطبيقات العالم الحقيقي#

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

• الكشف المتقدم عن الكائنات: تستخدم بنيات الوقت الحقيقي الحديثة، بما في ذلك أحدث إصدار من Ultralytics YOLO26، كتل متبقية متقدمة تحتوي على خرائط مطابقة داخل طبقات استخراج الميزات الخاصة بها. يتيح لهم ذلك أداء كشف عالي السرعة ودقيق في بيئات معقدة مثل القيادة الذاتية دون تدهور الأداء مع زيادة عمق الشبكة.
• نماذج تصنيف الصور: تعتمد بنيات الرؤية الحديثة، الموثقة على نطاق واسع في المستودعات الأكاديمية مثل arXiv ومكتبة IEEE Xplore الرقمية، على خرائط المطابقة لتدريب النماذج بنجاح مع مئات الطبقات. تستخدم الأطر عالية المستوى مثل TensorFlow هذه الاختصارات لاستخراج ميزات هرمية شديدة التعقيد من مجموعات البيانات الضخمة.

تنفيذ المطابقة الهُوية في PyTorch#

عند بناء شبكات عصبية مخصصة، توفر أطر التعلم العميق مثل PyTorch أدوات أصلية لتنفيذ هذه الاختصارات بسهولة. يمكنك استخدام وحدة PyTorch nn.Identity بوضوح أو ببساطة تطبيق الجمع الرياضي داخل تمرير nn.Module الأمامي الخاص بك.

يوضح المقتطف التالي كتلة متبقية أساسية تستخدم خريطة مطابقة. لاحظ أن المطورين الذين يستخدمون منصة Ultralytics المستندة إلى السحابة لإدارة مجموعات البيانات وتدريب النماذج يستفيدون من هذه الهياكل المعمارية المُحسّنة للغاية تلقائياً تحت الغطاء.

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)