Normalization

التطبيع تقنية أساسية في المعالجة المسبقة للبيانات تتضمن إعادة تحجيم السمات الرقمية إلى نطاق قياسي. وفي سياق تعلّم الآلة (ML)، غالبًا ما تحتوي مجموعات البيانات على سمات ذات مقاييس متفاوتة، مثل نطاقات الأعمار (0–100) مقارنةً بمستويات الدخل (0–100,000). وإذا تُركت هذه التباينات دون معالجة، فقد تتسبب في انحياز خوارزمية التحسين نحو القيم الأكبر، مما يؤدي إلى تقارب أبطأ وأداء دون المستوى الأمثل. ومن خلال تطبيع البيانات، يضمن المهندسون مساهمة كل سمة بصورة متناسبة في النتيجة النهائية، مما يتيح لـالشبكات العصبية التعلّم بكفاءة أكبر.

تقنيات التطبيع الشائعة#

توجد عدة أساليب قياسية لتحويل البيانات، يناسب كل منها توزيعات ومتطلبات خوارزمية مختلفة.

• التحجيم بالحد الأدنى والأقصى: هذا هو الشكل الأكثر بداهةً للتطبيع. إذ يعيد تحجيم البيانات إلى نطاق ثابت، عادةً [0, 1]. ويُجرى هذا التحويل بطرح القيمة الدنيا والقسمة على المدى (القيمة العظمى ناقص القيمة الدنيا). ويُستخدم على نطاق واسع في معالجة الصور، حيث تكون شدة البكسلات محصورةً بين 0 و255.
• التوحيد بدرجة Z: رغم استخدامه غالبًا بالتبادل مع التطبيع، فإن التوحيد يحوّل البيانات تحديدًا بحيث يكون متوسطها 0 وانحرافها المعياري 1. ويفيد ذلك بصفة خاصة عندما تتبع البيانات توزيعًا غاوسيًا، كما أنه ضروري لخوارزميات مثل آلات المتجهات الداعمة (SVM) التي تفترض أن البيانات موزعة توزيعًا طبيعيًا.
• التحجيم اللوغاريتمي: بالنسبة إلى البيانات التي تحتوي على قيم شاذة متطرفة أو تتبع قانونًا أُسيًا، يمكن أن يؤدي تطبيق تحويل لوغاريتمي إلى ضغط نطاق القيم. وهذا يجعل التوزيع أكثر قابلية للإدارة بالنسبة إلى محرك الاستدلال كي يفسّره بفاعلية من دون أن تنحرف نتائجه بسبب الارتفاعات الهائلة في القيم.

التطبيقات الواقعية#

التطبيع خطوة قياسية في مسارات عمل أنظمة الذكاء الاصطناعي عالية الأداء عبر مختلف القطاعات.

1. الرؤية الحاسوبية (CV): في مهام مثل اكتشاف الكائنات وتصنيف الصور، تتكوّن الصور الرقمية من قيم بكسلات تتراوح بين 0 و255. ويمكن أن يؤدي إدخال هذه الأعداد الصحيحة الكبيرة مباشرةً إلى الشبكة إلى إبطاء الانحدار المتدرج. وتتضمن إحدى خطوات المعالجة المسبقة القياسية قسمة قيم البكسلات على 255.0 لتطبيعها إلى النطاق [0, 1]. وتضمن هذه الممارسة اتساق المدخلات للنماذج المتقدمة مثل YOLO26، مما يحسّن استقرار التدريب على منصة Ultralytics.

2. تحليل الصور الطبية: غالبًا ما تنشأ الفحوصات الطبية، مثل تلك المستخدمة في الذكاء الاصطناعي في الرعاية الصحية، من أجهزة مختلفة ذات مقاييس متفاوتة للشدة. ويضمن التطبيع قابلية مقارنة شدة البكسلات في فحص MRI أو CT بين المرضى والأجهزة المختلفة. ويُعد هذا الاتساق بالغ الأهمية لتحقيق اكتشاف دقيق للأورام، إذ يتيح للنموذج التركيز على الشذوذات البنيوية بدلًا من اختلافات السطوع.

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التطبيع والمصطلحات المماثلة المتعلقة بالمعالجة المسبقة والبنية المعمارية في التعلّم العميق.

• مقابل تطبيع الدُفعات: يُعد تطبيع البيانات خطوةً من خطوات المعالجة المسبقة تُطبَّق على مجموعة البيانات الخام للمدخلات قبل دخولها إلى الشبكة. وعلى العكس من ذلك، يعمل تطبيع الدُفعات داخليًا بين الطبقات عبر الشبكة أثناء تدريب النموذج. وهو يطبّع مخرجات طبقة تنشيط سابقة لتحقيق استقرار عملية التعلّم.
• مقابل زيادة الصور: في حين يغيّر التطبيع مقياس قيم البكسلات، تغيّر زيادة الصور محتوى الصورة أو هندستها (مثل قلبها أو تدويرها أو تغيير ألوانها) لزيادة تنوع مجموعة البيانات. وتُستخدم أدوات مثل Albumentations لزيادة الصور، بينما تُعد عملية التطبيع عملية تحجيم رياضية.

مثال على التنفيذ#

في مجال الرؤية الحاسوبية، غالبًا ما يكون التطبيع الخطوة الأولى في مسار العمل. يوضّح مثال Python التالي كيفية تطبيع بيانات الصور يدويًا باستخدام مكتبة NumPy، وهي عملية تحدث تلقائيًا داخل محمّل بيانات Ultralytics YOLO26 أثناء التدريب.

import numpy as np

# Simulate a 2x2 pixel image with values ranging from 0 to 255
raw_image = np.array([[0, 255], [127, 64]], dtype=np.float32)

# Apply Min-Max normalization to scale values to [0, 1]
# This standardizes the input for the neural network
normalized_image = raw_image / 255.0

print(f"Original Range: {raw_image.min()} - {raw_image.max()}")
print(f"Normalized Range: {normalized_image.min()} - {normalized_image.max()}")