اكتشف كيف أحدثت ResNets ثورة في التعلم العميق من خلال حل مشكلة التدرجات المتلاشية، وتمكين الشبكات فائقة العمق لتحليل الصور، والبرمجة اللغوية العصبية، والمزيد.
تمثل الشبكات المتبقية، المعروفة على نطاق واسع باسم الشبكات المتبقية، تقدمًا محوريًا في مجال الذكاء الاصطناعي (AI) و والرؤية الحاسوبية. تم تقديمها في عام 2015 من قبل باحثون في Microsoft للأبحاث، وقد عالجت هذه البنية تحديًا كبيرًا في التعلم العميق (DL) المعروف باسم مشكلة التدرج المتلاشي. قبل ظهور ResNet، كانت زيادة عمق الشبكة العصبية (NN) غالبًا ما يؤدي إلى تناقص حيث تؤدي إضافة المزيد من الطبقات إلى زيادة أخطاء التدريب. حلّت ResNet هذه المشكلة من خلال تقديم "تخطي "، مما يتيح التدريب الناجح للشبكات شبكات ذات مئات أو حتى آلاف الطبقات مع الحفاظ على دقة عالية عالية الدقة.
السمة المميزة لشبكة ResNet هي الكتلة المتبقية. في شبكة عصبية الشبكة العصبية التلافيفية التقليدية (CNN)، يتم تكديس الطبقات بالتتابع، وتحاول كل طبقة تعلّم التعيين من المدخلات إلى المخرجات مباشرةً. ومع ذلك، عندما تصبح الشبكات أعمق، يمكن أن تتدهور الإشارة من بيانات المدخلات قبل الوصول إلى نهاية الشبكة.
تقدم ResNet "اختصارًا" أو اتصال تخطي يسمح بإضافة مدخلات الطبقة مباشرةً إلى إلى مخرجاتها مباشرةً. تخبر هذه الآلية الشبكة بشكل أساسي أن تتعلم "المتبقي" (الفرق) بين المدخلات والمخرجات المثلى، بدلاً من تعلم التحويل بأكمله من الصفر. هذه البنية هذه البنية تحافظ على تدفق المعلومات وتسهل استخراج الميزات بشكل أفضل، مما يسمح للنموذج بالتقاط أنماط معقدة مثل القوام والأشكال دون فقدان بيانات الإدخال الأصلية. يمكنك قراءة النسخة الأصلية البحث الأصلي للتعلم العميق المتبقي للتعرف على الصور لفهم الأساس الرياضي.
تعتبر ResNet العمود الفقري التأسيسي للعديد من أنظمة الرؤية الحديثة. تسمح قدرتها على تدريب شبكات عميقة للغاية بإنشاء نماذج قوية للغاية يمكن أن تؤدي بشكل جيد على مجموعات بيانات واسعة النطاق مثل يمكن أن تؤدي بشكل جيد على مجموعات بيانات واسعة النطاق مثل ImageNet.
تعتبر البنية مهمة بشكل خاص بالنسبة لـ نقل التعلّم. لأن نماذج ResNet المدربة مسبقًا قد تعلمت النماذج خرائط ميزات غنية من من البيانات، يمكن ضبطها لمهام محددة بمجموعات بيانات صغيرة نسبيًا. هذا التنوع يجعل من ResNet خيارًا قياسيًا لمهام تتراوح بين تصنيف الصور إلى تحليل الفيديو المعقد المعقدة.
وقد مكّن الاستقرار والعمق اللذان توفرهما شبكة ResNet من استخدامها في البيئات الحرجة عالية المخاطر.
من المفيد تمييز ResNet عن البنى الشائعة الأخرى الموجودة في مكتبات التعلم العميق مثل PyTorch أو TensorFlow:
يمكنك الاستفادة بسهولة من نماذج ResNet لمهام التصنيف باستخدام ultralytics حزمة Python . يتيح لك هذا
تسمح لك بالوصول إلى الأوزان المدرّبة مسبقًا وإجراء الاستدلال بأقل قدر من التعليمات البرمجية.
from ultralytics import YOLO
# Load a pre-trained ResNet50 model capable of classifying images
model = YOLO("resnet50.pt") # Downloads the model weights automatically
# Perform inference on an image URL
results = model("https://ultralytics.com/images/bus.jpg")
# Display the top classification result
print(f"Top class: {results[0].names[results[0].probs.top1]}")
بالنسبة للمهتمين بفهم النظرية الأعمق، توفر دورات مثل CS231n في جامعة ستانفورد موارد أكاديمية ممتازة حول هندسة CNN. سواءً كنت تبني مصنفاً بسيطاً أو نظاماً معقداً من أجل للتصنيع الذكي، فإن فهم ريس نت ضروري لإتقان الرؤية الحاسوبية الحديثة.
