Sigmoid

تُعد دالة سيغمويد مكوّنًا رياضيًا أساسيًا يُستخدم على نطاق واسع في مجالي التعلّم الآلي (ML) والتعلّم العميق (DL). وغالبًا ما يُشار إليها باسم "دالة الضغط"، إذ تأخذ أي عدد حقيقي كمدخل وتحوّله إلى قيمة بين 0 و1. ويجعل هذا المنحنى المميز على شكل "S" الدالة مفيدة للغاية لتحويل مخرجات النموذج الأولية إلى احتمالات قابلة للتفسير. وفي سياق الشبكة العصبية (NN)، تعمل دالة سيغمويد بصفتها دالة تنشيط، إذ تضيف لاخطية تتيح للنماذج تعلّم أنماط معقدة تتجاوز العلاقات الخطية البسيطة. وعلى الرغم من استبدالها إلى حد كبير بدوال أخرى في الطبقات المخفية العميقة، فإنها لا تزال خيارًا قياسيًا لطبقات الإخراج في مهام التصنيف الثنائي.

آلية عمل سيغمويد في الذكاء الاصطناعي#

في جوهرها، تحوّل دالة سيغمويد بيانات الإدخال—التي يُشار إليها غالبًا باسم اللوغِتات—إلى نطاق مُطبَّع. ويُعد هذا التحويل بالغ الأهمية للمهام التي يكون الهدف فيها التنبؤ باحتمالية وقوع حدث ما. ومن خلال حصر المخرج بين 0 و1، توفر الدالة درجة احتمال واضحة.

• الانحدار اللوجستي: في النمذجة الإحصائية التقليدية، تمثل سيغمويد المحرك الأساسي للانحدار اللوجستي. فهي تتيح لعلماء البيانات تقدير احتمال نتيجة ثنائية، مثل ما إذا كان العميل سيترك الخدمة أم سيستمر فيها.
• التصنيف الثنائي: بالنسبة إلى الشبكات العصبية المصممة للتمييز بين فئتين (مثل "قطة" و"كلب")، غالبًا ما تستخدم الطبقة النهائية تنشيط سيغمويد. فإذا تجاوز المخرج عتبة معينة (عادةً 0.5)، يتنبأ النموذج بالفئة الموجبة.
• التصنيف متعدد التسميات: بخلاف مسائل التصنيف متعدد الفئات، حيث تكون الفئات متنافية، تتيح مهام التصنيف متعدد التسميات للصورة أو النص بالانتماء إلى فئات متعددة في الوقت نفسه. وهنا، تُطبَّق سيغمويد بصورة مستقلة على كل عقدة إخراج، ما يمكّن النموذج من اكتشاف "سيارة" و"شخص" في المشهد نفسه دون تعارض.

الاختلافات الرئيسية عن دوال التنشيط الأخرى#

على الرغم من أن سيغمويد كانت في السابق الخيار الافتراضي لجميع الطبقات، اكتشف الباحثون قيودًا مثل مشكلة تلاشي التدرج، حيث تصبح التدرجات صغيرة جدًا بحيث يتعذر تحديث الأوزان بفعالية في الشبكات العميقة. وأدى ذلك إلى اعتماد بدائل للطبقات المخفية.

• سيغمويد مقابل ReLU (الوحدة الخطية المصححة): تُعد ReLU أسرع حسابيًا وتتجنب تلاشي التدرجات من خلال إخراج الإدخال مباشرةً إذا كان موجبًا، وإخراج الصفر خلاف ذلك. وهي الخيار المفضل للطبقات المخفية في البنى الحديثة مثل YOLO26، بينما تُحجز سيغمويد لطبقة الإخراج النهائية في مهام محددة.
• سيغمويد مقابل Softmax: تحوّل كلتاهما المخرجات إلى نطاق يتراوح بين 0 و1، لكنهما تؤديان أغراضًا مختلفة. تتعامل سيغمويد مع كل مخرج بصورة مستقلة، ما يجعلها مثالية للمهام الثنائية أو متعددة التسميات. بينما تفرض Softmax أن يكون مجموع جميع المخرجات مساويًا لـ1، فتنشئ توزيعًا احتماليًا يُستخدم في التصنيف متعدد الفئات حيث تكون فئة واحدة فقط صحيحة.

التطبيقات الواقعية#

تمتد فائدة دالة سيغمويد إلى مختلف القطاعات التي تتطلب تقدير الاحتمالات.

1. التشخيص الطبي: غالبًا ما تستخدم نماذج الذكاء الاصطناعي المستخدمة في تحليل الصور الطبية مخرجات سيغمويد للتنبؤ باحتمال وجود مرض في صورة الأشعة السينية أو فحص التصوير بالرنين المغناطيسي. فعلى سبيل المثال، قد يُخرج النموذج القيمة 0.85، ما يشير إلى احتمال وجود ورم بنسبة 85%، ويساعد الأطباء في الكشف المبكر.

2. اكتشاف الرسائل المزعجة: تستخدم أنظمة تصفية البريد الإلكتروني نماذج معالجة اللغة الطبيعية (NLP) مع مصنفات سيغمويد لتحديد ما إذا كانت الرسالة الواردة "مزعجة" أم "غير مزعجة". ويحلل النموذج الكلمات المفتاحية والبيانات الوصفية، ثم يُخرج درجة تحدد ما إذا كانت الرسالة ستصل إلى صندوق الوارد أم إلى مجلد الرسائل غير المرغوب فيها.

التنفيذ العملي#

يمكنك ملاحظة كيفية تحويل سيغمويد للبيانات باستخدام PyTorch، وهي مكتبة شائعة لبناء نماذج التعلّم العميق. يوضح هذا المثال البسيط تأثير "الضغط" على نطاق من قيم الإدخال.

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 إلى الراغبين في تدريب نماذج تستفيد من هذه المفاهيم دون كتابة تعليمات برمجية منخفضة المستوى، توفر منصة Ultralytics واجهة سهلة الاستخدام لإدارة مجموعات البيانات وتدريب نماذج متقدمة مثل YOLO26. ومن خلال التعامل تلقائيًا مع التعقيدات المعمارية، تتيح المنصة للمستخدمين التركيز على جمع بيانات التدريب عالية الجودة لتطبيقاتهم المحددة في الرؤية الحاسوبية.