تجميع النموذج الذكي في الشبكات العصبية - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

وبما أن طبقة المخرجات تحتوي على ست عشرة خلية عصبية متصلة بالكامل بمئتي خلية عصبية موجودة في الطبقة المخفية، فإن مجموع الوصلات الموزونة يبلغ 16 × 200 = 3,200، ويُضاف ستة عشر متغيرًا إضافيًا، يوافق متغير واحد لكل خلية عصبية في طبقة المخرجات. ويُستخدم السطر البرمجي التالي لتجميع (compile) النموذج:# compiling the model model.compile(loss = 'sparse_categorical_crossentropy', metrics = ['accuracy'], optimizer = 'adam')تُستخدم دالة إعداد النموذج الذكي في مكتبة Keras والمعروفة بالتجميع ()model.compile في عملية تحديد الخصائص الأساسية للنموذج الذكي وإعداده للتدريب والتحقق والتنبؤ، وتتخذ ثلاثة مُعاملات رئيسة كما هو موضح في الجدول 4.2.--- SECTION: جدول 4.2: مُعاملات طريقة التجميع --- جدول 4.2: مُعاملات طريقة التجميع--- SECTION: الخسارة (loss) --- هي الدالة التي تُستخدم لتقييم الخطأ في النموذج أثناء التدريب، وتقيس مدى تطابق تنبؤات النموذج مع العناوين الحقيقية لمجموعة معينة من بيانات المُدخلات. الهدف من التدريب تقليل دالة الخسارة مما يتضمن في العادة تعديل أوزان النموذج ومقدار التحيز، وفي هذه الحالة تكون دالة الخسارة هي: sparse_categorical_crossentropy وهي دالة خسارة مناسبة لمهام التصنيف متعددة الفئات؛ حيث تكون العناوين أعدادًا صحيحة كما في y_train_num.--- SECTION: المقاييس (metrics) --- هي قائمة المقاييس المستخدمة لتقييم النموذج أثناء التدريب والاختبار، وتُحسب هذه المقاييس باستخدام مُخرجات النموذج والعناوين الحقيقية، ويمكن استخدامها لمراقبة أداء النموذج وتحديد المجالات التي يمكن تحسينه فيها. مقياس الدقة (Accuracy) هو مقياس شائع لمهام التصنيف يقيس نسبة التنبؤات الصحيحة التي قام بها النموذج.--- SECTION: المُحسّن (optimizer) --- هو خوارزمية التحسين التي تُستخدم في ضبط أوزان النموذج ومقدار التحيز أثناء التدريب. ويستخدم المُحسّن دالة الخسارة والمقاييس لإرشاد عملية التدريب، ويقوم بضبط متغيرات النموذج في محاولة لتقليل الخسارة وزيادة أداء النموذج إلى الحد الأقصى. وفي هذه الحالة فقد تم استخدام المُحسّن adam الذي يُعدّ خوارزمية شائعة لتدريب الشبكات العصبية.وأخيرًا، تُستخدم دالة ()fit لتدريب النموذج على البيانات المتاحة.model.fit(X_train_hog, # training data y_train_num, # labels in integer format batch_size = 80, # number of samples processed per batch epochs = 40, # number of iterations over the whole dataset )2023 - 1447--- VISUAL CONTEXT --- **TABLE**: جدول 4.2: مُعاملات طريقة التجميع Description: A table detailing the parameters used in the model compilation method, specifically explaining the loss function, metrics, and optimizer in the context of neural network training. Table Structure: Headers: Parameter Description | Parameter Name Rows: Row 1: هي الدالة التي تُستخدم لتقييم الخطأ في النموذج أثناء التدريب، وتقيس مدى تطابق تنبؤات النموذج مع العناوين الحقيقية لمجموعة معينة من بيانات المُدخلات. الهدف من التدريب تقليل دالة الخسارة مما يتضمن في العادة تعديل أوزان النموذج ومقدار التحيز، وفي هذه الحالة تكون دالة الخسارة هي: sparse_categorical_crossentropy وهي دالة خسارة مناسبة لمهام التصنيف متعددة الفئات؛ حيث تكون العناوين أعدادًا صحيحة كما في y_train_num. | الخسارة (loss) Row 2: هي قائمة المقاييس المستخدمة لتقييم النموذج أثناء التدريب والاختبار، وتُحسب هذه المقاييس باستخدام مُخرجات النموذج والعناوين الحقيقية، ويمكن استخدامها لمراقبة أداء النموذج وتحديد المجالات التي يمكن تحسينه فيها. مقياس الدقة (Accuracy) هو مقياس شائع لمهام التصنيف يقيس نسبة التنبؤات الصحيحة التي قام بها النموذج. | المقاييس (metrics) Row 3: هو خوارزمية التحسين التي تُستخدم في ضبط أوزان النموذج ومقدار التحيز أثناء التدريب. ويستخدم المُحسّن دالة الخسارة والمقاييس لإرشاد عملية التدريب، ويقوم بضبط متغيرات النموذج في محاولة لتقليل الخسارة وزيادة أداء النموذج إلى الحد الأقصى. وفي هذه الحالة فقد تم استخدام المُحسّن adam الذي يُعدّ خوارزمية شائعة لتدريب الشبكات العصبية. | المُحسّن (optimizer) Data: The table provides definitions and explanations for three key parameters: 'الخسارة (loss)', 'المقاييس (metrics)', and 'المُحسّن (optimizer)'. Each parameter has a corresponding detailed description. Context: This table defines the core parameters (loss function, metrics, and optimizer) used in compiling and training a neural network model, which are fundamental concepts in machine learning.