Sigmoid

تعتبر دالة Sigmoid مكوناً رياضياً أساسياً يُستخدم على نطاق واسع في مجالات machine learning (ML) وdeep learning (DL). وعادة ما يُشار إليها باسم "دالة الضغط"، حيث تأخذ أي عدد حقيقي كمدخل وتقوم بربطه بقيمة تتراوح بين 0 و1. هذا المنحنى المميز على شكل حرف "S" يجعلها مفيدة بشكل لا يصدق لتحويل مخرجات النموذج الخام إلى احتمالات قابلة للتفسير. وفي سياق neural network (NN)، تعمل دالة Sigmoid كـ activation function، حيث تُدخل اللاخطية التي تسمح للنماذج بتعلم أنماط معقدة تتجاوز العلاقات الخطية البسيطة. ورغم أنه قد تم استبدالها إلى حد كبير بدوال أخرى في الطبقات المخفية العميقة، إلا أنها تظل خياراً قياسياً لطبقات الإخراج في مهام التصنيف الثنائي.

آلية عمل Sigmoid في الذكاء الاصطناعي#

في جوهرها، تقوم دالة Sigmoid بتحويل بيانات المدخلات—التي يشار إليها غالباً باسم logits—إلى نطاق مُطبع. يعد هذا التحويل أمراً حاسماً للمهام التي يكون الهدف منها التنبؤ باحتمالية وقوع حدث ما. من خلال حصر المخرجات بين 0 و1، توفر الدالة درجة احتمالية واضحة.

• Logistic Regression: في النمذجة الإحصائية التقليدية، تُعد دالة Sigmoid المحرك الكامن وراء الانحدار اللوجستي. وهي تتيح لعلماء البيانات تقدير احتمالية حدوث نتيجة ثنائية، مثل ما إذا كان العميل سينسحب أو سيبقى.
• Binary Classification: بالنسبة للشبكات العصبية المصممة للتمييز بين فئتين (على سبيل المثال، "قطة" مقابل "كلب"), غالباً ما تستخدم الطبقة الأخيرة تنشيط Sigmoid. وإذا كان الناتج أكبر من عتبة معينة (عادة 0.5), يتنبأ النموذج بالفئة الإيجابية.
• Multi-Label Classification: على عكس مشاكل الفئات المتعددة حيث تكون الفئات حصرية لبعضها البعض، تسمح مهام التسميات المتعددة للصورة أو النص بالتواجد في فئات متعددة في نفس الوقت. وهنا، يتم تطبيق Sigmoid بشكل مستقل على كل عقدة إخراج، مما يتيح للنموذج اكتشاف "سيارة" و"شخص" في نفس المشهد دون تعارض.

الاختلافات الرئيسية عن دوال التنشيط الأخرى#

على الرغم من أن دالة Sigmoid كانت في يوم من الأيام الخيار الافتراضي لجميع الطبقات، إلا أن الباحثين اكتشفوا قيوداً مثل مشكلة vanishing gradient، حيث تصبح التدرجات صغيرة جداً بحيث تعجز عن تحديث الأوزان بفاعلية في الشبكات العميقة. وقد أدى ذلك إلى اعتماد بدائل للطبقات المخفية.

• Sigmoid vs. ReLU (Rectified Linear Unit): ReLU is computationally faster and avoids vanishing gradients by outputting the input directly if positive, and zero otherwise. It is the preferred choice for hidden layers in modern architectures like YOLO26, whereas Sigmoid is reserved for the final output layer in specific tasks.
• Sigmoid مقابل Softmax: كلاهما يربط المخرجات بنطاق من 0 إلى 1، لكنهما يخدمان أغراضاً مختلفة. تتعامل دالة Sigmoid مع كل مخرج بشكل مستقل، مما يجعلها مثالية للمهام الثنائية أو متعددة التسميات. بينما تجبر دالة Softmax جميع المخرجات على أن يكون مجموعها 1، مما يخلق توزيعاً احتمابياً يُستخدم في multi-class classification حيث تكون فئة واحدة فقط صحيحة.

تطبيقات العالم الحقيقي#

تمتد فائدة دالة Sigmoid عبر مختلف الصناعات التي تتطلب تقدير الاحتمالات.

1. التشخيص الطبي: غالباً ما تستخدم نماذج الذكاء الاصطناعي المستخدمة في medical image analysis مخرجات Sigmoid للتنبؤ باحتمالية وجود مرض في الأشعة السينية أو التصوير بالرنين المغناطيسي. على سبيل المثال، قد يُخرج النموذج قيمة 0.85، مما يشير إلى احتمال وجود ورم بنسبة 85%، مما يساعد الأطباء في الاكتشاف المبكر.

2. اكتشاف الرسائل غير المرغوب فيها: تستخدم أنظمة تصفية البريد الإلكتروني نماذج natural language processing (NLP) مع مصنفات Sigmoid لتحديد ما إذا كانت الرسالة الواردة "بريداً مزعجاً" أم "ليست بريداً مزعجاً". يقوم النموذج بتحليل الكلمات الرئيسية والبيانات الوصفية، ليُخرج درجة تحدد ما إذا كان البريد الإلكتروني سينتهي به المطاف في صندوق الوارد أم في مجلد البريد العشوائي.

التنفيذ العملي#

يمكنك ملاحظة كيفية قيام Sigmoid بتحويل البيانات باستخدام PyTorch، وهي مكتبة شائعة لبناء نماذج التعلم العميق. يوضح هذا المثال البسيط تأثير "الضغط" على نطاق من قيم المدخلات.

import torch
import torch.nn as nn

# Create a Sigmoid layer
sigmoid = nn.Sigmoid()

# Define input data (logits) ranging from negative to positive
input_data = torch.tensor([-5.0, -1.0, 0.0, 1.0, 5.0])

# Apply Sigmoid to squash values between 0 and 1
output = sigmoid(input_data)

print(f"Input: {input_data}")
print(f"Output: {output}")
# Output values near 0 for negative inputs, 0.5 for 0, and near 1 for positive inputs

بالنسبة لأولئك الذين يتطلعون إلى تدريب نماذج تستخدم هذه المفاهيم دون كتابة تعليمات برمجية منخفضة المستوى، توفر Ultralytics Platform واجهة بديهية لإدارة مجموعات البيانات وتدريب أحدث النماذج مثل YOLO26. ومن خلال التعامل مع التعقيدات المعمارية تلقائياً، فإنها تتيح للمستخدمين التركيز على جمع training data عالية الجودة لتطبيقات computer vision الخاصة بهم.