معمارية نموذج VGG16 واستخدامه في استخراج الميزات - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

شكل 4.22: معمارية نموذج VGG16

يمكن استخدام مكتبة TensorFlow ومكتبة Keras اللتين تعرفت عليهما في الدرس السابق للوصول إلى نموذج VGG16 واقتطاعه. وتتمثل الخطوة الأولى في استيراد جميع الأدوات المطلوبة:

from keras.applications.vgg16 import VGG16 # used to access the pre-trained VGG16 model from keras.models import Model model = VGG16() # loads the pretrained VGG16 model # removes the output layer model = Model(inputs = model.inputs, outputs = model.layers[-2].output)

يحذف الطبقة الأخيرة من المخرج.

يطبق المقطع البرمجي التالي المعالجة الأولية الأساسية نفسها التي يتطلبها نموذج VGG16 مثل: تحجيم قيم ألوان RGB لتكون بين 0 و 1:

from keras.applications.vgg16 import preprocess_input X_prep = preprocess_input(X) X_prep.shape

(1085, 224, 224, 3)

لاحظ أن شكل البيانات يظل كما هو، أي: ألف وخمس وثمانون صورة، كل صورة منها أبعادها 224 × 224 وثلاث قنوات ألوان RGB. وبعد ذلك يمكن استخدام النموذج المقتطع لتحويل كل صورة إلى متجه مكون من 4,096 عدد.

X_VGG16 = model.predict(X_prep, use_multiprocessing = True) X_VGG16.shape

34/34 [==============================] - 57s 2s/step (1085, 4096)

يضبط متغير المعالجة المتعددة (تفعيل المعالجة المتعددة) multiprocessing=True لتسريع العملية من خلال حساب المتجهات للصور المتعددة بالتوازي، وقبل إكمال خطوة التجميع يُستخدم المقطع البرمجي التالي لتصوير البيانات المتجهة (Vectorized Data):

tsne = TSNEVisualizer(colors = color_palette) tsne.fit(X_VGG16, labels) tsne.show();

وزارة التعليم 231 Ministry of Education 2025 - 1447

--- SECTION: شكل 4.22: معمارية نموذج VGG16 --- شكل 4.22: معمارية نموذج VGG16يمكن استخدام مكتبة TensorFlow ومكتبة Keras اللتين تعرفت عليهما في الدرس السابق للوصول إلى نموذج VGG16 واقتطاعه. وتتمثل الخطوة الأولى في استيراد جميع الأدوات المطلوبة:from keras.applications.vgg16 import VGG16 # used to access the pre-trained VGG16 model from keras.models import Model model = VGG16() # loads the pretrained VGG16 model # removes the output layer model = Model(inputs = model.inputs, outputs = model.layers[-2].output)يحذف الطبقة الأخيرة من المخرج.يطبق المقطع البرمجي التالي المعالجة الأولية الأساسية نفسها التي يتطلبها نموذج VGG16 مثل: تحجيم قيم ألوان RGB لتكون بين 0 و 1:from keras.applications.vgg16 import preprocess_input X_prep = preprocess_input(X) X_prep.shape(1085, 224, 224, 3)لاحظ أن شكل البيانات يظل كما هو، أي: ألف وخمس وثمانون صورة، كل صورة منها أبعادها 224 × 224 وثلاث قنوات ألوان RGB. وبعد ذلك يمكن استخدام النموذج المقتطع لتحويل كل صورة إلى متجه مكون من 4,096 عدد.X_VGG16 = model.predict(X_prep, use_multiprocessing = True) X_VGG16.shape34/34 [==============================] - 57s 2s/step (1085, 4096)يضبط متغير المعالجة المتعددة (تفعيل المعالجة المتعددة) multiprocessing=True لتسريع العملية من خلال حساب المتجهات للصور المتعددة بالتوازي، وقبل إكمال خطوة التجميع يُستخدم المقطع البرمجي التالي لتصوير البيانات المتجهة (Vectorized Data):tsne = TSNEVisualizer(colors = color_palette) tsne.fit(X_VGG16, labels) tsne.show();2025 - 1447--- VISUAL CONTEXT --- **DIAGRAM**: معمارية نموذج VGG16 Description: A block diagram illustrating the architecture of the VGG16 convolutional neural network. It shows the flow from an 'Input' (المدخل) on the left to an 'Output' (المخرج) on the right. The architecture consists of sequential blocks of convolutional (Conv) layers and pooling (Pooling) layers, followed by dense (Dense) layers. The Conv layers are shown in white/grey, Pooling layers in light green, and Dense layers in light pink. The sequence of layers is: Conv 1-1, Pooling; Conv 2-1, Conv 2-2, Pooling; Conv 3-1, Conv 3-2, Conv 3-3, Pooling; Conv 4-1, Conv 4-2, Conv 4-3, Pooling; Conv 5-1, Conv 5-2, Conv 5-3, Pooling; followed by three Dense layers. Key Values: المدخل, Conv 1-1, Pooling, Conv 2-1, Conv 2-2, Pooling, Conv 3-1, Conv 3-2, Conv 3-3, Pooling, Conv 4-1, Conv 4-2, Conv 4-3, Pooling, Conv 5-1, Conv 5-2, Conv 5-3, Pooling, Dense, المخرج Context: This diagram visually represents the VGG16 model architecture, which is being used and modified in the accompanying code examples for feature extraction and image processing within a deep learning context.