التطبيع الدفعي

تعد توحيد الدفعة، والتي يشار إليها غالبًا باسم BatchNorm، تقنية تُستخدم في التعلم العميق (DL) لتثبيت وتسريع تدريب الشبكات العصبية الاصطناعية. تم تقديمها لحل مشكلة التحول الداخلي للمتغيرات المشتركة — حيث يتغير توزيع المدخلات إلى طبقة بشكل مستمر مع تحديث معلمات الطبقات السابقة — تعمل BatchNorm على توحيد المدخلات إلى طبقة لكل دفعة صغيرة. من خلال تطبيع مدخلات الطبقة بحيث يكون متوسطها صفرًا وانحرافها المعياري واحدًا، ثم قياسها وتغييرها باستخدام معلمات قابلة للتعلم، تسمح هذه الطريقة للشبكات باستخدام معدلات تعلم أعلى وتقلل من الحساسية تجاه التهيئة.

كيف يعمل التسوية الدفعية (Batch Normalization)؟

في شبكة عصبية تلافيفية قياسية (CNN)، تتدفق البيانات عبر طبقات حيث تقوم كل طبقة بإجراء تحويل. بدون التطبيع، يمكن أن يختلف نطاق قيم المخرجات بشكل كبير، مما يجعل من الصعب على خوارزمية التحسين العثور على أفضل الأوزان. عادةً ما يتم تطبيق التطبيع الدفعي مباشرة قبل وظيفة التنشيط (مثل ReLU أو SiLU).

تتضمن العملية خطوتين رئيسيتين أثناء التدريب:

1. التطبيع: تحسب الطبقة المتوسط والتباين للتنشيطات ضمن حجم الدفعة الحالية. ثم تطرح متوسط الدفعة وتقسمه على الانحراف المعياري للدفعة.
2. التحجيم والتحول: لضمان أن الشبكة لا تزال قادرة على تمثيل وظائف معقدة، يتم إدخال معلمتين قابلتين للتعلم (جاما وبيتا). تسمح هاتان المعلمتان للشبكة بإلغاء التوحيد إذا كان التوزيع الأمثل للبيانات ليس توزيعًا عاديًا قياسيًا.

تعمل هذه الآلية كشكل من أشكال التنظيم، مما يقلل قليلاً من الحاجة إلى تقنيات أخرى مثل طبقات التسرب عن طريق إضافة قدر ضئيل من الضوضاء إلى التنشيطات أثناء التدريب.

الفوائد الرئيسية في تدريب الذكاء الاصطناعي

يوفر دمج تطبيع الدُفعات في بنى مثل ResNet أو أجهزة الكشف الحديثة عن الأشياء عدة مزايا مميزة:

• تقارب أسرع: يتم تدريب النماذج بشكل أسرع بكثير لأن التطبيع يمنع التدرجات من أن تصبح صغيرة جدًا أو كبيرة جدًا، مما يساعد بشكل فعال في التغلب على مشكلة التدرج المتلاشي.
• الاستقرار: يجعل الشبكة أقل حساسية لاختيار محدد للأوزان الأولية و ضبط المعلمات الفائقة، مما يجعل عملية تدريب النموذج أكثر قوة.
• تحسين التعميم: من خلال تسوية مشهد التحسين، يساعد BatchNorm النموذج على التعميم بشكل أفضل على بيانات الاختبار غير المرئية.

تطبيقات واقعية

تعد توحيد الدفعة عنصراً أساسياً في معظم أنظمة الرؤية الحاسوبية الحديثة .

1. القيادة الذاتية: في أنظمة السيارات ذاتية القيادة، تعالج نماذج مثل Ultralytics إطارات الفيديو detect عن المشاة والمركبات واللافتات. يضمن BatchNorm أن تظل طبقات الكشف عن الكائنات مستقرة بغض النظر عن التغيرات في شدة الإضاءة أو الظروف الجوية، مما يحافظ على دقة متوسطة عالية (mAP).
2. التصوير الطبي: عند إجراء الكشف عن الأورام في التصوير الطبي، يمكن أن تختلف بيانات المسح بشكل كبير بين أجهزة التصوير بالرنين المغناطيسي أو التصوير المقطعي المحوسب المختلفة. يساعد BatchNorm في تطبيع هذه الميزات داخليًا، مما يسمح للذكاء الاصطناعي بالتركيز على الشذوذ الهيكلي بدلاً من الاختلافات في كثافة البكسل، مما يحسن دقة التشخيص في حلول الذكاء الاصطناعي في مجال الرعاية الصحية.

تطبيع الدُفعات مقابل تطبيع البيانات

من المفيد التمييز بين تطبيع الدُفعات وتطبيع البيانات القياسي .

• تطبيع البيانات هو خطوة معالجة مسبقة يتم تطبيقها على مجموعة البيانات الأولية المدخلة (على سبيل المثال، تغيير حجم الصور وتحجيم قيم البكسل إلى 0-1) قبل بدء التدريب. غالبًا ما تُستخدم أدوات مثل Albumentations في هذه المرحلة.
• تحدث عملية تطبيع الدُفعات داخل طبقات الشبكة العصبية أثناء عملية التدريب نفسها. وهي تعمل على ضبط القيم الداخلية للشبكة ديناميكيًا مع تدفق البيانات عبرها.

مثال على التنفيذ

أطر التعلم العميق مثل PyTorch تتضمن تطبيقات مُحسّنة لتطبيقات Batch Normalization. فيYOLO Ultralytics YOLO يتم دمج هذه الطبقات تلقائياً في كتل التحويل.

ما يلي Python يوضح مقتطف الشفرة كيفية فحص نموذج لمعرفة أين BatchNorm2d تقع الطبقات داخل البنية.

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Print the model structure to view layers
# You will see 'BatchNorm2d' listed after 'Conv2d' layers
print(model.model)

إن فهم كيفية تفاعل هذه الطبقات يساعد المطورين عند استخدامهم Ultralytics لضبط النماذج على مجموعات البيانات المخصصة، مما يضمن استقرار التدريب حتى مع وجود بيانات محدودة.