Loss Function

تعمل دالة الخسارة كبوصلة رياضية توجّه تدريب الشبكات العصبية الاصطناعية وغيرها من خوارزميات تعلّم الآلة. وهي تقيس، في جوهرها، الخطأ بين المخرجات التي يتنبأ بها النموذج والتسميات الفعلية لـ "الحقيقة الأساسية" الموجودة في بيانات التدريب. ويمكن تصورها كنظام لتسجيل النقاط، حيث تشير الدرجة الأقل إلى أداء أفضل. ويتمثل الهدف الأساسي أثناء عملية التدريب في تقليل قيمة الخسارة هذه تكراريًا. ويتيح هذا التقليل للنموذج ضبط معلماته الداخلية لجعل تنبؤاته أقرب إلى الواقع، من خلال عملية تقودها خوارزمية تحسين مثل Adam أو الانحدار المتدرج العشوائي (SGD).

دور الخسارة في تدريب النموذج#

تعتمد آلية التعلّم في الذكاء الاصطناعي بدرجة كبيرة على حلقة التغذية الراجعة التي تولّدها دالة الخسارة. بعد أن يعالج النموذج دفعة من البيانات، تحسب دالة الخسارة قيمة خطأ عددية تمثل المسافة بين التنبؤ والهدف. ومن خلال تقنية تُسمى الانتشار العكسي، يحسب النظام تدرج الخسارة بالنسبة إلى كل من أوزان النموذج. وتعمل هذه التدرجات كخريطة توضّح اتجاه التعديلات اللازمة لتقليل الخطأ ومقدارها. ثم يتحكم معدل التعلّم في حجم الخطوات المتخذة أثناء هذه التحديثات، مما يضمن تقارب النموذج نحو حل أمثل من دون تجاوز الهدف.

تتطلب مهام تعلّم الآلة المختلفة أنواعًا محددة من دوال الخسارة. ففي تحليل الانحدار، حيث يتمثل الهدف في التنبؤ بقيم مستمرة مثل أسعار المنازل، يُعد متوسط مربع الخطأ (MSE) خيارًا قياسيًا. أما في مهام تصنيف الصور التي تتضمن بيانات فئوية، فعادةً ما تُستخدم خسارة الانتروبيا المتقاطعة لقياس التباعد بين الاحتمالات المتنبأ بها والفئة الحقيقية. وتستخدم نماذج اكتشاف الأجسام المتقدمة، مثل YOLO26، دوال خسارة مركبة تحسّن أهداف متعددة في الوقت نفسه، إذ تجمع بين مقاييس مثل التقاطع على الاتحاد (IoU) لتحديد الموضع وصيغ متخصصة مثل Distribution Focal Loss (DFL) أو Varifocal Loss لثقة الفئة.

التطبيقات الواقعية#

تُعد دوال الخسارة المحرك الذي يقف وراء موثوقية كل تطبيق من تطبيقات الذكاء الاصطناعي تقريبًا، إذ تضمن قدرة الأنظمة على العمل بأمان في البيئات المعقدة.

• القيادة الذاتية: في مجال المركبات ذاتية القيادة، تعتمد السلامة على الإدراك الدقيق. وتساعد دالة خسارة مضبوطة بعناية النظامَ على التمييز بين المشاة والسيارات الأخرى والعوائق الثابتة. ومن خلال تقليل أخطاء تحديد الموضع أثناء التدريب على مجموعات بيانات مثل nuScenes أو KITTI، تتعلم المركبة التنبؤ بالموضع الدقيق للأجسام، وهو أمر حيوي لتجنب الاصطدام ضمن حلول الذكاء الاصطناعي في قطاع السيارات.
• التشخيص الطبي: في تحليل الصور الطبية، يتطلب تحديد الأمراض غالبًا تجزئة الشذوذات الصغيرة من الأنسجة السليمة. وتُستخدم دوال متخصصة مثل خسارة Dice في مهام التجزئة، مثل اكتشاف الأورام في صور فحوصات MRI. وتعالج هذه الدوال اختلال توازن الفئات من خلال معاقبة النموذج بشدة عند إغفاله المنطقة الصغيرة موضع الاهتمام، مما يحسن حساسية أدوات الذكاء الاصطناعي في الرعاية الصحية.

مثال بلغة Python: حساب خسارة الانتروبيا المتقاطعة#

على الرغم من أن الأطر عالية المستوى مثل منصة Ultralytics تتولى حساب الخسارة تلقائيًا أثناء التدريب، فإن فهم الرياضيات الكامنة وراء ذلك مفيد لأغراض تصحيح الأخطاء. يستخدم المثال التالي PyTorch—وهو الواجهة الخلفية لنماذج Ultralytics—لحساب الخسارة بين تنبؤ وهدف.

import torch
import torch.nn as nn

# Define the loss function (CrossEntropyLoss includes Softmax)
loss_fn = nn.CrossEntropyLoss()

# Mock model output (logits) for 3 classes and the true class (Class 0)
# A high score for index 0 indicates a correct prediction
predictions = torch.tensor([[2.5, 0.1, -1.2]])
ground_truth = torch.tensor([0])

# Calculate the numerical loss value
loss = loss_fn(predictions, ground_truth)
print(f"Calculated Loss: {loss.item():.4f}")

تمييز المفاهيم ذات الصلة#

من المهم التمييز بين دالة الخسارة والمقاييس الأخرى المستخدمة على امتداد مسار تعلّم الآلة.

• دالة الخسارة مقابل مقاييس التقييم: دالة الخسارة قابلة للاشتقاق وتُستخدم أثناء التدريب لتحديث الأوزان. وعلى النقيض من ذلك، تُستخدم مقاييس التقييم مثل الدقة والإحكام ومتوسط الدقة المتوسطة (mAP) بعد التدريب لتقييم الأداء بمصطلحات مفهومة للبشر. وقد يقلل النموذج الخسارة بفعالية، لكنه يظل يعاني من انخفاض الدقة إذا لم تكن دالة الخسارة مرتبطة تمامًا بالهدف في العالم الحقيقي.
• دالة الخسارة مقابل التنظيم: بينما توجه دالة الخسارة النموذج نحو التنبؤ الصحيح، تُضاف تقنيات التنظيم (مثل عقوبات L1 أو L2) إلى معادلة الخسارة لمنع فرط التخصيص. ويثبط التنظيم النماذج شديدة التعقيد من خلال معاقبة الأوزان الكبيرة، مما يساعد النظام على التعميم بصورة أفضل على بيانات الاختبار غير المرئية.
• دالة الخسارة مقابل دالة المكافأة: في التعلّم المعزز، يتعلم الوكيل من خلال تعظيم "مكافأة" تراكمية بدلًا من تقليل خسارة. وعلى الرغم من أنهما متعاكستان من الناحية المفاهيمية، فإن كليهما يعمل بوصفه دالة الهدف التي تقود عملية التحسين.