وظيفة الخسارة

تُعد دالة الخسارة، والمعروفة أيضًا باسم دالة التكلفة أو دالة الهدف، مكونًا أساسيًا في التعلم الآلي (ML) والتعلم العميق (DL). وهي تقيس الفرق - أو "الخسارة" - بين المخرجات المتوقعة للنموذج والتسمية الحقيقية الفعلية لجزء معين من البيانات. تُستخدم القيمة المحسوبة بواسطة دالة الخسارة كمقياس لمدى سوء أداء النموذج. الهدف الأساسي أثناء عملية تدريب النموذج هو تقليل هذه القيمة، وبالتالي تحسين دقة النموذج وأدائه.

كيف تعمل وظائف الخسارة

أثناء كل تكرار للتدريب، يقوم النموذج بمعالجة مجموعة من بيانات التدريب وإجراء تنبؤات. ثم تقارن دالة الخسارة هذه التنبؤات بالتسميات الحقيقية. تشير قيمة الخسارة الأعلى إلى وجود تباين أكبر وحاجة أكبر للتصحيح، بينما تشير قيمة الخسارة الأقل إلى أن تنبؤات النموذج أقرب إلى القيم الفعلية.

تعتبر قيمة الخسارة هذه حاسمة لأنها توفر الإشارة اللازمة للنموذج للتعلم. تُستخدم هذه الإشارة بواسطة خوارزمية تحسين مثل خوارزمية التدرج العشوائي (SGD) لضبط المعلمات الداخلية للنموذج أو أوزان النموذج. تقوم عملية الترحيل العكسي بحساب تدرج دالة الخسارة فيما يتعلق بهذه الأوزان، مما يشير إلى الاتجاه الذي يجب تعديل الأوزان فيه لتقليل الخسارة. تسمح هذه العملية التكرارية لحساب الخسارة وتحديث الأوزان للنموذج بالتقارب التدريجي نحو حالة يمكنه فيها إجراء تنبؤات دقيقة للغاية.

الأنواع الشائعة لوظائف الخسارة

يعتمد اختيار دالة الخسارة بشكل كبير على المهمة المحددة التي صُمم النموذج لحلها. تتطلب المشاكل المختلفة طرقاً مختلفة لقياس الخطأ. تتضمن بعض الأنواع الشائعة ما يلي:

• متوسط الخطأ التربيعي (MSE): دالة خسارة شائعة لمهام الانحدار، حيث يكون الهدف هو التنبؤ بقيمة عددية مستمرة. وهي تحسب متوسط مربعات مربعات الفروق بين القيم المتوقعة والقيم الفعلية.
• الخسارة عبر الانتروبيا المتقاطعة: تُستخدم على نطاق واسع في مهام تصنيف الصور. وهي تقيس أداء نموذج التصنيف الذي تكون مخرجاته عبارة عن قيمة احتمالية بين 0 و1. وهي فعالة عند تدريب النماذج للتمييز بين فئات متعددة، مثل تصنيف الصور في مجموعة بيانات ImageNet.
• خسارة التقاطع على الاتحاد (IoU): تُعد متغيرات IoU ضرورية لمهام اكتشاف الأجسام. تقيس دوال الخسارة هذه، مثل GIoU وDIoU وCIoU، التباين بين الصندوق المحدود المتوقع وصندوق الحقيقة الأرضية. وهي جزء لا يتجزأ من تدريب كاشفات الأجسام الدقيقة مثل Ultralytics YOLO11.
• فقدان النرد: يُستخدم عادةً في تجزئة الصور، خاصةً في تحليل الصور الطبية، لقياس التداخل بين أقنعة التجزئة المتوقعة والفعلية. وهو مفيد بشكل خاص للتعامل مع اختلال التوازن الطبقي.

التطبيقات الواقعية

دوال الخسارة هي جوهر تدريب كل نموذج تعلّم عميق تقريبًا.

1. المركبات ذاتية القيادة: في تطوير المركبات ذاتية القيادة، يتم تدريب نماذج اكتشاف الأجسام على تحديد المشاة والسيارات الأخرى وإشارات المرور. أثناء التدريب، تجمع دالة الخسارة بين مكونات متعددة: يحسب جزء منها الخطأ في تصنيف كل جسم (على سبيل المثال، السيارة مقابل المشاة)، بينما يحسب جزء آخر، غالباً ما يكون خطأً يستند إلى وحدة قياس IoU، الخطأ في تحديد موقع المربع المحيط بالجسم. يساعد تقليل هذه الخسارة المجمعة إلى الحد الأدنى في إنشاء نماذج قوية للملاحة الآمنة، وهو عنصر أساسي في الذكاء الاصطناعي في حلول السيارات.
2. التشخيص الطبي: في مجال الذكاء الاصطناعي في الرعاية الصحية، يتم تدريب نماذج مثل U-Net على التجزئة الدلالية لتحديد الأورام في عمليات المسح الطبي. يتم استخدام دالة خسارة مثل خسارة النرد أو مزيج من الخسارة المتقاطعة وخسارة النرد لمقارنة قناع الورم المتوقع للنموذج مع القناع المشروح من قبل أخصائي الأشعة. من خلال تقليل هذه الخسارة على مجموعة بيانات من الصور الطبية، يتعلم النموذج تحديد المناطق المرضية بدقة، مما يساعد في تشخيص أسرع وأكثر دقة.

العلاقة مع المفاهيم الرئيسية الأخرى

من المهم التفريق بين دوال الخسارة والمفاهيم الأخرى ذات الصلة في تعلّم الآلة.

• وظيفة الخسارة مقابل مقاييس التقييم: هذا تمييز حاسم. تُستخدم دوال الخسارة أثناء التدريب لتوجيه عملية التحسين. يجب أن تكون قابلة للتمييز للسماح بالتعلم القائم على التدرج. في المقابل، تُستخدم مقاييس التقييم مثل الدقة والدقة والتذكر ومتوسط متوسط الدقة (mAP) بعد التدريب (على بيانات التحقق من الصحة أو بيانات الاختبار) لتقييم أداء النموذج في العالم الحقيقي. في حين أن الخسارة الأقل ترتبط عمومًا بنتائج متريّة أفضل، إلا أنها تخدم أغراضًا مختلفة. يمكنك معرفة المزيد حول مقاييس الأداء في دليلنا.
• دالة الخسارة مقابل خوارزمية التحسين: تحدد دالة الخسارة الهدف - ما الذي يجب تصغيره. تحدد خوارزمية التحسين، مثل مُحسِّن آدم،الآلية - كيفية تقليل الخسارة عن طريق تحديث أوزان النموذج بناءً على التدرجات المحسوبة ومعدل التعلم.
• الإفراط في التركيب والتقصير في التركيب: تُعد مراقبة الخسارة في كل من مجموعتي التدريب والتحقق من الصحة أمرًا أساسيًا لتشخيص هذه المشكلات الشائعة. من المحتمل أن يحدث الإفراط في الملاءمة إذا استمرت خسارة التدريب في الانخفاض بينما تبدأ خسارة التحقق من الصحة في الارتفاع. يُشار إلى عدم الملاءمة من خلال ارتفاع قيم الخسارة في كلتا المجموعتين. تتم مناقشة هذه الأفكار في أدلة مثل نصائحنا لتدريب النموذج.

يعد فهم دالات الخسارة أمرًا ضروريًا لأي شخص يشارك في بناء نماذج الذكاء الاصطناعي وتدريبها. تعمل منصات مثل Ultralytics HUB على تجريد الكثير من هذا التعقيد، حيث تتعامل تلقائيًا مع تنفيذ دالة الخسارة وتحسينها، مما يجعل بناء نماذج الرؤية الحاسوبية المتقدمة أكثر سهولة.