الشبكات التوليدية التنافسية والتحويل بالانتشار - كتاب الذكاء الإصطناعي - الصف 12 - الفصل 1 - المملكة العربية السعودية

سؤال 3: صف الموَلِّد والمميِّز في الشبكة التوليدية التنافسية.

الإجابة: س3: المولد ينتج بيانات مزيفة، والمميز يكتشفها، ويتنافسان للتحسن.

خطوات الحل:

1. **الشرح:** لنفهم هذا السؤال، يجب أولاً أن نعرف ما هي الشبكة التوليدية التنافسية (GAN). هي نوع من الذكاء الاصطناعي يتكون من جزأين رئيسيين يعملان معاً. الفكرة هنا هي أن الجزء الأول، المسمى **المولد**، مهمته إنشاء بيانات جديدة (مثل صور أو نصوص) تحاول أن تبدو حقيقية. أما الجزء الثاني، المسمى **المميز**، فمهمته فحص البيانات التي يتلقاها ويحاول التمييز بين البيانات الحقيقية والبيانات المزيفة التي أنشأها المولد. يتنافس هذان الجزءان: يحاول المولد تحسين أدائه ليخدع المميز ويجعله يعتقد أن البيانات المزيفة حقيقية، وفي نفس الوقت يحاول المميز تحسين أدائه ليصبح أفضل في اكتشاف البيانات المزيفة. من خلال هذه المنافسة المستمرة، يتحسن أداء كلا الجزأين معاً. إذن الإجابة هي: **المولد ينتج بيانات مزيفة، والمميز يكتشفها، ويتنافسان للتحسن.**

سؤال 4: استخدم أداة DiffusionPipeline من مكتبة diffusers لإنشاء صورة لحيوانك المفضل وهو يأكل طعامك المفضل. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

الإجابة: س4: توليد صورة قطة تأكل بيتزا باستخدام DiffusionPipeline.

خطوات الحل:

1. **الخطوة 1 (المفهوم):** نتذكر أن مكتبة `diffusers` في لغة البرمجة بايثون تحتوي على أدوات جاهزة لتوليد الصور باستخدام نماذج الذكاء الاصطناعي المتقدمة. إحدى هذه الأدوات تسمى `DiffusionPipeline`. **الخطوة 2 (التطبيق):** لتطبيق هذا على السؤال، علينا أولاً اختيار حيواننا المفضل وطعامنا المفضل. لنفترض أن الحيوان المفضل هو قطة والطعام المفضل هو بيتزا. الهدف هو إنشاء صورة لهذا المشهد. **الخطوة 3 (النتيجة):** لذلك، باستخدام `DiffusionPipeline` على منصة مثل جوجل كولاب، يمكننا كتابة تعليمات برمجية تطلب من النموذج إنشاء صورة لـ "قطة تأكل بيتزا". سيقوم النموذج بمعالجة هذا النص وتوليد صورة جديدة بناء عليه. إذن الإجابة هي: **توليد صورة قطة تأكل بيتزا باستخدام DiffusionPipeline.**

سؤال 5: استخدم أداة StableDiffusion2ImagePipleline من مكتبة diffusers لتحويل الحيوان في الصورة المرسومة في التمرين السابق إلى حيوان آخر من اختيارك. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

الإجابة: س5: تحويل صورة قطة إلى باندا باستخدام Img2Img.

خطوات الحل:

1. **الخطوة 1 (المفهوم):** نتذكر أن هناك تقنية في توليد الصور تسمى "صورة إلى صورة" (Img2Img). هذه التقنية تسمح لنا بإعطاء النموذج صورة موجودة كنقطة بداية، ثم نطلب منه تحويلها بناء على وصف نصي جديد. **الخطوة 2 (التطبيق):** بتطبيق هذا على السؤال، لدينا الصورة التي أنشأناها في التمرين السابق (قطة تأكل بيتزا). نريد الآن تحويل القطة في تلك الصورة إلى حيوان آخر، لنفترض أنه باندا. **الخطوة 3 (النتيجة):** لذلك، باستخدام أداة مثل `StableDiffusion2ImagePipeline` والتي تدعم تقنية Img2Img، يمكننا إدخال الصورة القديمة وكتابة وصف نصي جديد مثل "باندا تأكل بيتزا". سيقوم النموذج بتحويل القطة في الصورة الأصلية إلى باندا مع الحفاظ على بقية عناصر الصورة (مثل البيتزا). إذن الإجابة هي: **تحويل صورة قطة إلى باندا باستخدام Img2Img.**

سؤال 3: صف المولد والمميز في الشبكة التوليدية التنافسية.

• أ) المولد هو جزء ينتج بيانات واقعية من ضوضاء، والمميز يميز بين البيانات الحقيقية والمزيفة.
• ب) المولد هو جزء يحلل البيانات، والمميز يولد بيانات جديدة.
• ج) المولد والمميز كلاهما ينتجان بيانات، لكن المولد أكثر دقة.
• د) المولد هو جزء يتحكم في الشبكة، والمميز يتحقق من الأخطاء.

الإجابة الصحيحة: المولد (Generator) هو جزء من الشبكة التوليدية التنافسية (GAN) الذي يحاول إنشاء بيانات واقعية (مثل الصور) من ضوضاء عشوائية، بينما المميز (Discriminator) هو الجزء الذي يحاول التمييز بين البيانات الحقيقية والبيانات المزيفة التي ينتجها المولد. يعمل الاثنان في تنافس حيث يحاول المولد خداع المميز، ويحاول المميز تحسين قدرته على التمييز.

الشرح: الشبكة التوليدية التنافسية (GAN) تتكون من مكونين رئيسيين: المولد الذي ينتج بيانات جديدة، والمميز الذي يحكم على جودة هذه البيانات. يتنافس المكونان لتحسين الأداء الكلي للنموذج.

تلميح: فكر في دور كل جزء من الشبكة التوليدية التنافسية وكيف يتفاعلان معًا.

سؤال 4: استخدم أداة DiffusionPipeline من مكتبة diffusers لإنشاء صورة لحيوانك المفضل وهو يأكل طعامك المفضل. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

• أ) استخدم DiffusionPipeline لإنشاء صورة بناءً على وصف نصي في Google Colab.
• ب) ارسم الصورة يدويًا باستخدام أداة رسم بسيطة.
• ج) استخدم أداة StableDiffusion2ImagePipleline بدلاً من DiffusionPipeline.
• د) ابحث عن صورة جاهزة على الإنترنت بدلاً من إنشائها.

الإجابة الصحيحة: يجب استخدام أداة DiffusionPipeline من مكتبة diffusers في بيئة مثل Google Colab لإنشاء صورة بناءً على وصف نصي، مثل 'قطة تأكل سوشي'، ثم حفظ الصورة الناتجة.

الشرح: هذا تمرين عملي يتطلب استخدام أدوات برمجية لإنشاء صور باستخدام نماذج الانتشار. يجب اتباع خطوات تثبيت المكتبة، تحميل النموذج، إدخال النص، وتوليد الصورة.

تلميح: ابدأ بتثبيت مكتبة diffusers في Google Colab، ثم استخدم DiffusionPipeline مع وصف نصي مناسب.

سؤال 5: استخدم أداة StableDiffusion2ImagePipleline من مكتبة diffusers لتحويل الحيوان في الصورة المرسومة في التمرين السابق إلى حيوان آخر من اختيارك. يمكنك استخدام منصة قوقل كولاب في هذه المهمة.

• أ) استخدم StableDiffusion2ImagePipleline لتحويل صورة حيوان إلى حيوان آخر في Google Colab.
• ب) ارسم الحيوان الجديد يدويًا فوق الصورة الأصلية.
• ج) استخدم DiffusionPipeline بدلاً من StableDiffusion2ImagePipleline للتحويل.
• د) احذف الصورة الأصلية وأنشئ صورة جديدة من الصفر.

الإجابة الصحيحة: يجب استخدام أداة StableDiffusion2ImagePipleline من مكتبة diffusers في Google Colab لتحويل صورة حيوان موجودة (من التمرين السابق) إلى حيوان آخر بناءً على وصف نصي، مثل تحويل صورة قطة إلى صورة كلب.

الشرح: هذا تمرين عملي متقدم يتطلب استخدام أدوات تحويل الصور باستخدام نماذج الانتشار. يجب تحميل الصورة الأصلية، إدخال وصف نصي للحيوان الجديد، وتطبيق النموذج للحصول على الصورة المحولة.

تلميح: تأكد من تحميل الصورة من التمرين السابق، ثم استخدم StableDiffusion2ImagePipleline مع وصف نصي للحيوان الجديد.

في سياق الشبكات التوليدية التنافسية (GANs)، ما هي الأدوار الرئيسية التي يلعبها كل من المولد (Generator) والمميز (Discriminator)؟

الإجابة: المولد (Generator) مسؤول عن إنشاء بيانات جديدة (مثل الصور) تبدو مشابهة للبيانات الحقيقية. أما المميز (Discriminator) فهو يحاول التفريق بين البيانات الحقيقية التي تم تدريبه عليها والبيانات التي أنشأها المولد.

الشرح: تعتمد الشبكات التوليدية التنافسية على تنافس بين شبكتين: المولد الذي يحاول خداع المميز، والمميز الذي يحاول اكتشاف البيانات المزيفة. هذا التنافس يؤدي إلى تحسين قدرة المولد على إنتاج بيانات واقعية.

تلميح: فكر في العلاقة بين صانع التقليد والمحقق في هذا النظام.

ما هي المكتبة والأداة التي يمكن استخدامها لإنشاء صورة باستخدام نموذج الذكاء الاصطناعي، وما هي المنصة المقترحة لتنفيذ هذه المهمة؟

الإجابة: يمكن استخدام مكتبة diffusers وتحديداً أداة DiffusionPipeline لإنشاء الصورة. منصة Google Colab هي المنصة المقترحة لتنفيذ هذه المهمة.

الشرح: مكتبة diffusers هي أداة شائعة للتعامل مع نماذج توليد الصور، بينما توفر Google Colab بيئة سهلة الاستخدام لتشغيل أكواد Python بما في ذلك تلك التي تستخدم هذه المكتبات، خاصة عند الحاجة إلى وحدات معالجة الرسوميات (GPUs).

تلميح: ابحث عن اسم المكتبة التي توفر أدوات لنماذج الانتشار (diffusion models) والمنصة المجانية التي توفر موارد حوسبة.

ما هي الأداة من مكتبة diffusers التي يمكن استخدامها لتحويل حيوان في صورة مرسومة إلى حيوان آخر، وما هي المهمة المطلوبة؟

الإجابة: يمكن استخدام أداة StableDiffusion2ImagePipleline من مكتبة diffusers لتحويل الحيوان في الصورة المرسومة إلى حيوان آخر. المهمة هي تطبيق هذه الأداة لتغيير نوع الحيوان في الصورة.

الشرح: StableDiffusion2ImagePipleline هي جزء من مكتبة diffusers يسمح بتعديل الصور الموجودة أو توليد صور جديدة بناءً على أوصاف نصية أو صور مدخلة، مما يتيح تغيير خصائص الكائنات داخل الصورة مثل نوع الحيوان.

تلميح: فكر في اسم الأداة التي تعتمد على نموذج Stable Diffusion وتستخدم لتحرير الصور بطرق إبداعية.