طبقة (تعلم عميق)
المحتويات
على سبيل التعريف، الطبقة في نموذج التعلم العميق هي بنية أو طوبولوجيا شبكة في بنية النموذج، والتي تأخذ المعلومات من الطبقات السابقة ثم تمررها إلى الطبقة التالية. ونتناول فيما يلي مزيدًا من التفاصيل.
أنواع الطبقات
تُستعمل طبقة التجميع (Pooling layer) لتقليل حجم المُدخلات.
كذلك، تقوم طبقة التسوية (Normalization layer) بضبط بيانات الإخراج من الطبقات السابقة لتحقيق توزيع منتظم. ويؤدي هذا إلى تحسين قابلية التوسع والتدريب النموذجي.
علاوةً على ذلك، تُستعمل الطبقة الترشيحية أو طبقة الطي (Convolutional layer) عادةً لمهام تحليل الصور. في هذه الطبقة، تكتشف الشبكة الحواف والأنسجة والأنماط. يتم فيما بعد تغذية مخرجات هذه الطبقة إلى طبقة متصلة بالكامل لمزيد من المعالجة. أنظر كذلك: نموذج سي إن إن .
ومن ناحية أخرى، النوع الأول من الطبقات هو الطبقة الكثيفة (Dense layer)، وتسمى كذلك الطبقة المتصلة بالكامل (fully-connected layer) وتستعمل للتمثيلات المجردة لمعطيات الإدخال. في هذه الطبقة، تتصل الخلايا العصبية بكل خلية عصبية في الطبقة السابقة. تُكدس هذه الطبقات في شبكات بيرسيبترون متعددة الطبقات.
علاوةً على ذلك، تُستعمل الطبقة المتكررة أو الطبقة التكرارية (Recurrent Layer) لمعالجة النص باستخدام وظيفة الذاكرة. على غرار الطبقة الترشيحية، عادةً ما تُغذى مخرجات الطبقات المتكررة إلى طبقة متصلة بالكامل لمزيد من المعالجة. أنظر كذلك: نموذج الشبكات العصبية المتكررة.
📝 هل في هذه المقالة خطأ؟
إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.
ما رأيك في هذه المقالة؟