Normalization

التطبيع (Normalization) هو تقنية أساسية في data preprocessing تتضمن إعادة تحجيم الخصائص العددية إلى نطاق قياسي. في سياق machine learning (ML)، غالباً ما تحتوي مجموعات البيانات على ميزات ذات مقاييس مختلفة، مثل نطاقات العمر (0–100) مقابل مستويات الدخل (0–100,000). إذا تركت دون معالجة، يمكن أن تتسبب هذه التفاوتات في جعل optimization algorithm منحازة نحو القيم الأكبر، مما يؤدي إلى تقارب أبطأ وأداء دون الأمثل. من خلال تطبيع البيانات، يضمن المهندسون أن كل ميزة تساهم بنسبة تناسبية في النتيجة النهائية، مما يسمح لـ neural networks بالتعلم بشكل أكثر كفاءة.

تقنيات التطبيع الشائعة#

هناك العديد من الطرق القياسية لتحويل البيانات، وكل منها مناسب لتوزيعات مختلفة ومتطلبات خوارزمية متنوعة.

• Min-Max Scaling: هذا هو الشكل الأكثر بديهية للتطبيع. فهو يعيد تحجيم البيانات إلى نطاق ثابت، وعادة ما يكون [0, 1]. يتم تنفيذ هذا التحويل عن طريق طرح القيمة الدنيا والقسمة على النطاق (الحد الأقصى ناقص الحد الأدنى). يتم استخدامه على نطاق واسع في image processing حيث يُعرف أن كثافة البكسل محصورة بين 0 و 255.
• Z-Score Standardization: على الرغم من أنه غالباً ما يتم استخدامه بالتبادل مع التطبيع، إلا أن توحيد البيانات (Standardization) يحول البيانات خصيصاً لتكون متوسطها 0 وانحرافها المعياري 1. هذا مفيد بشكل خاص عندما تتبع البيانات Gaussian distribution وهو أمر أساسي لخوارزميات مثل Support Vector Machines (SVM) التي تفترض بيانات موزعة طبيعياً.
• Log Scaling: بالنسبة للبيانات التي تحتوي على قيم متطرفة شديدة أو تتبع قانون الطاقة، يمكن أن يؤدي تطبيق تحويل لوغاريتمي إلى ضغط نطاق القيم. هذا يجعل التوزيع أكثر قابلية للإدارة لـ inference engine لتفسيره بفعالية دون أن يتأثر بارتفاعات القيم الهائل.

تطبيقات العالم الحقيقي#

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

1. الرؤية الحاسوبية (Computer Vision - CV): في مهام مثل object detection و image classification، تتكون الصور الرقمية من قيم بكسل تتراوح من 0 إلى 255. إدخال هذه الأعداد الصحيحة الكبيرة مباشرة في الشبكة يمكن أن يبطئ gradient descent. تتضمن خطوة المعالجة المسبقة القياسية قسمة قيم البكسل على 255.0 لتطبيعها إلى نطاق [0, 1]. تضمن هذه الممارسة مدخلات متسقة للنماذج المتقدمة مثل YOLO26، مما تحسن استقرار التدريب على Ultralytics Platform.

2. تحليل الصور الطبية: الفحوصات الطبية، مثل تلك المستخدمة في AI in healthcare، تنشأ غالباً من آلات مختلفة ذات مقاييس كثافة متغيرة. يضمن التطبيع أن تكون كثافات البكسل من التصوير بالرنين المغناطيسي أو الأشعة المقطعية قابلة للمقارنة عبر مختلف المرضى والمعدات. هذا الاتساق حاسم لـ tumor detection بدقة، مما يسمح للنموذج بالتركيز على الشذوذ الهيكلي بدلاً من اختلافات السطوع.

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التطبيع والمصطلحات المماثلة للمعالجة المسبقة والمصطلحات المعمارية الموجودة في التعلم العميق.

• مقابل Batch Normalization: تطبيع البيانات هو خطوة معالجة مسبقة تُطبق على مجموعة بيانات الإدخال الخام قبل دخولها إلى الشبكة. على العكس من ذلك، يعمل التطبيع الدفعي (Batch Normalization) داخلياً بين الطبقات في جميع أنحاء الشبكة أثناء model training. يقوم بتطبيع مخرجات طبقة تنشيط سابقة لتحقيق الاستقرار في عملية التعلم.
• مقابل Image Augmentation: بينما يغير التطبيع مقياس قيم البكسل، يغير الت augmenting (التعزيز) محتوى أو هندسة الصورة (مثل القلب، أو التدوير، أو تغيير الألوان) لزيادة تنوع مجموعة البيانات. تُستخدم أدوات مثل Albumentations للتعزيز، بينما التطبيع هو عملية رياضية لتحجيم القيم.

مثال على التنفيذ#

في الرؤية الحاسوبية، غالباً ما يكون التطبيع هو الخطوة الأولى في خط المعالجة. يوضح مثال Python التالي كيفية تطبيع بيانات الصور يدويواً باستخدام NumPy library، وهي عملية تحدث تلقائياً داخل محمل 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()}")