WEBVTT

00:00.150 --> 00:02.580
أهلا ومرحبا بكم مرة أخرى في دورة التعلم العميق.

00:02.610 --> 00:03.040
حسنا.

00:03.060 --> 00:05.050
نتحدث اليوم عن وظيفة التنشيط.

00:05.070 --> 00:06.600
دعنا ندخله مباشرة.

00:06.780 --> 00:08.130
هذا هو المكان الذي توقفنا عنده.

00:08.130 --> 00:11.820
في السابق ، تحدثنا عن بنية خلية عصبية واحدة.

00:11.820 --> 00:13.200
لذلك هناك في المنتصف.

00:13.200 --> 00:19.500
نعلم أن لها بعض المدخلات ، والقيم الواردة ، ولديها بعض الأوزان ، ثم تضيف القيم الموزونة ، وتحسب

00:19.800 --> 00:23.640
بعضًا من هذه المدخلات المرجحة ، ثم تطبق وظيفة التنشيط.

00:23.640 --> 00:28.440
وفي الخطوة الثالثة ، تمرر الإشارة إلى الخلية العصبية التالية.

00:28.440 --> 00:29.700
وهذا ما نتحدث عنه اليوم.

00:29.700 --> 00:32.790
نحن نتحدث عن القيمة التي سيتم تجاوزها.

00:32.790 --> 00:35.610
لذلك نحن نتحدث عن وظيفة التنشيط التي يتم تطبيقها.

00:36.210 --> 00:39.180
إذن ما هي الخيارات المتوفرة لدينا لوظيفة التنشيط؟

00:39.180 --> 00:43.290
حسنًا ، سنلقي نظرة على أربعة أنواع مختلفة من وظائف التنشيط التي يمكنك الاختيار من بينها.

00:43.320 --> 00:47.190
بالطبع ، هناك أنواع مختلفة من وظائف التنشيط ، ولكن هذه هي الوظائف السائدة التي

00:47.190 --> 00:50.040
ستسمع عنها والتي سنستخدمها في هذه الدورة التدريبية.

00:50.130 --> 00:53.010
إذن هذه هي وظيفة العتبة.

00:53.010 --> 00:53.990
هذا ما يبدو عليه.

00:54.000 --> 00:58.710
إذن على المحور x لديك المجموع المرجح للمدخلات.

00:58.710 --> 01:03.690
على المحور ص ، لديك فقط القيم من 0 إلى 1.

01:03.690 --> 01:12.330
وبشكل أساسي ، تعد وظيفة الحد نوعًا بسيطًا جدًا من الوظائف حيث إذا كانت القيمة أقل من

01:12.750 --> 01:16.620
الصفر ، فإن دالة الحد تمر على الصفر.

01:16.650 --> 01:22.860
إذا كانت القيمة أكثر من الصفر أو تساوي الصفر ، فإن دالة الحد تمر على قيمة واحدة.

01:22.860 --> 01:30.090
لذا فهي تشبه نوعًا ما ، نعم ، لا يوجد نوع من الوظائف ، واضح جدًا جدًا ، نوعًا ما يشبه نوعًا

01:30.090 --> 01:33.420
صارمًا من الوظائف إما نعم أو لا.

01:33.420 --> 01:34.500
لا توجد خيارات أخرى.

01:34.800 --> 01:35.430
لذا ها أنت ذا.

01:35.460 --> 01:36.090
هذه هي الطريقة التي يعمل.

01:36.090 --> 01:37.230
وظيفة بسيطة للغاية.

01:37.230 --> 01:39.930
دعنا ننتقل إلى شيء أكثر تعقيدًا.

01:39.930 --> 01:45.930
الآن ، الدالة السينية ، صيغة مثيرة جدًا للاهتمام لدينا هنا.

01:45.930 --> 01:52.380
سترى الآن أن هناك واحدًا مقسومًا على واحد زائد E أس ناقص X ، بينما في

01:52.380 --> 01:58.200
هذه الحالة ، بالطبع ، x هي قيمة مجموع المجاميع الموزونة.

01:58.380 --> 02:02.520
حسنًا ، هذا ما يبدو عليه السيني.

02:02.520 --> 02:09.220
إنها وظيفة تُستخدم في الانحدار اللوجستي ، إذا كنت تتذكر ، من دورة التعلم الآلي.

02:09.240 --> 02:14.820
إذن ما هو جيد في هذه الوظيفة هو أنها سلسة ، على عكس وظيفة العتبة.

02:14.820 --> 02:21.630
هذا لا يحتوي على مكامن الخلل في منحنىه ، وبالتالي فهو مجرد تقدم تدريجي لطيف وسلس.

02:21.630 --> 02:26.280
لذا فإن أي شيء تحت الصفر يشبه تمامًا السقوط فوق الصفر.

02:26.280 --> 02:29.850
تبدو تقريبية تجاه واحد.

02:29.850 --> 02:36.720
وهذه الوظيفة السينية مفيدة جدًا في الطبقة النهائية ، في طبقة المخرجات ، خاصةً عندما تحاول

02:36.930 --> 02:38.850
توقع الاحتمالات.

02:38.850 --> 02:40.620
وسنرى ذلك طوال هذه الدورة.

02:40.950 --> 02:43.050
ثم لدينا وظيفة المعدل.

02:43.050 --> 02:50.850
تعد وظيفة المقوم ، على الرغم من وجود تشابك فيها ، واحدة من أكثر الوظائف شيوعًا للشبكات العصبية الاصطناعية.

02:50.850 --> 02:53.790
لذلك يذهب على طول الطريق إلى الصفر.

02:53.790 --> 02:55.020
إنه صفر.

02:55.020 --> 03:01.560
ثم من هناك تتقدم تدريجيًا مع زيادة قيمة الإدخال أيضًا.

03:01.560 --> 03:03.300
وسنرى ذلك طوال الدورة.

03:03.300 --> 03:07.830
سنرى ذلك في دروس الحدس الأخرى وسنرى أيضًا كيف نستخدم هذه الوظيفة

03:07.830 --> 03:13.320
في الجانب العملي من الدورة وسأعلق عليها أكثر قليلاً في بضع شرائح من الآن.

03:13.320 --> 03:18.630
لذا تذكر فقط أن وظيفة المعدل هي إحدى الوظائف الأكثر استخدامًا في الشبكات العصبية الاصطناعية.

03:18.750 --> 03:22.680
وأخيرًا ، لدينا وظيفة أخرى ربما تسمع عنها.

03:22.680 --> 03:24.990
إنها دالة الظل الزائدية.

03:25.020 --> 03:32.340
إنها تشبه إلى حد كبير الدالة السينية ، ولكن هنا تكون دالة الظل الزائدية أقل من الصفر ،

03:32.340 --> 03:39.450
لذلك تنتقل القيم من 0 إلى 1 أو تقريبًا إلى واحد وتنتقل من 0 إلى -1 على الجانب الآخر.

03:39.450 --> 03:42.090
ويمكن أن يكون ذلك مفيدًا في بعض التطبيقات.

03:42.090 --> 03:45.690
لذلك لن نتعمق كثيرًا في كل واحدة من هذه الوظائف.

03:45.690 --> 03:51.270
أردت فقط أن أعرفك عنهم حتى تعرف كيف يبدون وما يطلق عليهم.

03:51.600 --> 04:00.870
إذا كنت ترغب في الحصول على بعض القراءة الإضافية ، فراجع هذه الورقة بقلم Xavier Claret الذي كتبته بعنوان A Deep Space

04:01.770 --> 04:05.520
Rectifier Neural Networks ، ورقة 2011.

04:05.520 --> 04:14.850
وهناك سوف تكتشف بالضبط لماذا تعتبر وظيفة المعدل وظيفة قيّمة ، ولماذا يتم استخدامها

04:14.850 --> 04:16.140
بشكل شائع.

04:16.140 --> 04:20.580
لكن مع ذلك ، في الوقت الحالي ، لا تحتاج حقًا إلى معرفة كل هذه الأشياء.

04:20.580 --> 04:22.350
في الوقت الحالي ، سنبدأ في تطبيقها.

04:22.350 --> 04:24.090
نبدأ في استخدامها أكثر فأكثر.

04:24.090 --> 04:31.230
وهكذا عندما تشعر بالراحة مع الجانب العملي للأشياء ، يمكنك الذهاب والرجوع إلى هذه الورقة

04:31.230 --> 04:37.080
وبعد ذلك ستتمكن من امتصاص هذه المعرفة بشكل أسرع وستكون أكثر منطقية.

04:37.320 --> 04:41.610
لكن ضع في اعتبارك أنه عندما تكون جاهزًا ، عندما تشعر أنك جاهز ، يمكنك الذهاب والرجوع

04:41.610 --> 04:44.820
إلى هذه الورقة والحصول على بعض المعرفة القيمة من هناك.

04:45.360 --> 04:53.040
لذا فقط للتلخيص السريع ، لدينا وظيفة تنشيط العتبة التي تبدو هكذا ، وظيفة التنشيط السيني

04:53.040 --> 04:55.170
التي تبدو هكذا.

04:55.500 --> 04:59.880
لدينا وظيفة المعدل ولدينا وظيفة الظل الزائدية.

05:00.320 --> 05:04.940
والآن لإنهاء هذا البرنامج التعليمي ، دعنا نقوم ببعض التمارين بسرعة.

05:04.940 --> 05:09.050
لذلك سنقوم فقط بتمرينين سريعين للمساعدة على استيعاب هذه المعرفة.

05:09.050 --> 05:14.480
أولًا لدينا مثال هنا لشبكة عصبية بها خلية عصبية واحدة فقط.

05:14.480 --> 05:15.890
ثم على الفور طبقة الإخراج.

05:15.890 --> 05:21.860
والسؤال هو ، بافتراض أن المتغير التابع الخاص بك هو ثنائي ، لذا فهو إما صفر واحد ، ما وظيفة

05:21.890 --> 05:23.600
العتبة التي ستستخدمها؟

05:23.600 --> 05:31.400
إذن من بين تلك التي ناقشناها ، لدينا وظيفة العتبة ، الدالة السينية ، وظيفة

05:31.400 --> 05:37.760
المعدل ، ولدينا وظيفة الظل الزائدية في أشكالها الأدارية.

05:37.760 --> 05:43.070
أي منها يمكنك استخدامه لمتغير ثنائي؟

05:44.300 --> 05:49.250
إذن ، الإجابات هنا هي خياران يمكننا التعامل معه.

05:49.250 --> 05:55.010
إذن ، الرقم واحد هو وظيفة تنشيط العتبة لأننا نعلم أنها تقع بين صفر وواحد وتعطيك

05:55.010 --> 05:58.640
صفرًا تحت قيم معينة ، وإلا فإنها تمنحك واحدًا.

05:58.640 --> 06:00.020
لذلك يمكن أن يمنحك قيمتان فقط.

06:00.020 --> 06:09.950
إنه مناسب تمامًا ، ويناسب هذا المطلب تمامًا ، وبالتالي يمكنك فقط القول أن Y تساوي دالة الحد

06:09.950 --> 06:13.700
لمجموعك المرجح ، وهذا كل شيء.

06:13.700 --> 06:19.520
وفي الحالة الثانية ، التي يمكنك استخدامها هي وظيفة التنشيط السيني ، فهي في الواقع أيضًا

06:19.520 --> 06:21.620
بين صفر وواحد ، ما نحتاجه فقط.

06:21.620 --> 06:25.550
لكن في نفس الوقت الذي تريده هو صفر واحد ، أليس كذلك؟

06:25.550 --> 06:33.470
إذن أنت ليس ما نحتاجه بالضبط ، ولكن في هذه الحالة ، ما يمكنك استخدامه

06:33.500 --> 06:37.370
هو احتمال أن يكون y نعم أو لا.

06:37.370 --> 06:40.010
إذن نريد أن يساوي y صفرًا واحدًا.

06:40.010 --> 06:49.100
لكن بدلاً من ذلك ، سنقول إن الدالة السينية ، وظيفة التنشيط السيني تخبرنا ما إذا كانت تخبرنا باحتمال

06:49.100 --> 06:51.770
أن يكون Y يساوي واحدًا.

06:51.770 --> 06:59.060
لذلك ، كلما اقتربت من القمة ، زاد احتمال أن تكون الإجابة بنعم أو نعم وليس

06:59.060 --> 06:59.960
لا.

07:00.620 --> 07:04.610
ونعم ، هذا مشابه جدًا لنهج الانحدار اللوجستي.

07:04.700 --> 07:07.430
وهذان مجرد مثالين.

07:07.580 --> 07:09.170
إذا كان لديك متغير ثنائي.

07:09.860 --> 07:12.740
والآن دعونا نلقي نظرة على تطبيق عملي آخر.

07:12.740 --> 07:17.150
دعونا نلقي نظرة على كيفية حدوث كل هذا إذا كان لدينا شبكة عصبية كهذه.

07:17.150 --> 07:20.360
إذن في طبقة الإدخال الأولى ، لدينا بعض المدخلات.

07:20.930 --> 07:26.000
يتم إرسالها إلى أول طبقة مخفية لدينا ثم يتم تطبيق وظيفة التنشيط.

07:26.000 --> 07:30.620
وعادة ما تقوم بتطبيقه هنا وما ستراه خلال هذه الدورة هو أننا نطبق

07:30.620 --> 07:32.450
وظيفة تنشيط المعدل.

07:32.660 --> 07:34.430
لذلك سيبدو شيء من هذا القبيل.

07:34.430 --> 07:40.940
نقوم بتطبيق وظيفة تنشيط المعدل ومن ثم يتم تمرير الإشارات إلى طبقة الإخراج حيث سيتم

07:40.940 --> 07:46.730
تطبيق وظيفة التنشيط السيني وهذا سيكون ناتجنا النهائي ويمكن أن يتنبأ باحتمالية

07:46.730 --> 07:48.950
، على سبيل المثال.

07:48.950 --> 07:54.110
لذلك سيكون هذا المزيج شائعًا جدًا حيث نطبق في الطبقات المخفية وظيفة

07:54.290 --> 07:58.580
المعدل ، ثم في طبقة الإخراج نطبق وظيفة السيني.

07:58.580 --> 07:59.720
لذا ها نحن ذا.

07:59.750 --> 08:01.340
آمل أن تكون قد استمتعت ببرنامج اليوم التعليمي.

08:01.340 --> 08:06.440
أنت الآن على دراية جيدة بالأنواع الأربعة المختلفة لوظائف التنشيط وستحصل على

08:06.440 --> 08:09.350
بعض الخبرة العملية معهم طوال هذه الدورة.

08:09.350 --> 08:14.870
سنستخدمهم في كل مكان حتى تتعرف عليهم عن كثب ويجب أن تكون مرتاحًا

08:14.870 --> 08:16.280
لهم تمامًا.

08:16.280 --> 08:22.160
ولكن في الوقت الحالي ، هذه هي المعرفة التي تحتاجها للتقدم وفهم ما سيحدث في هذه الدورة

08:22.160 --> 08:23.420
التدريبية.

08:23.690 --> 08:26.840
وفي هذه الملاحظة ، أتطلع إلى رؤيتك في المرة القادمة.

08:26.840 --> 08:28.700
حتى ذلك الحين ، استمتع بالتعلم العميق.