CNN Computer Vision: الخطوات التسع الرئيسية للانتقال من الصفر إلى التشغيل
CNN Computer Vision: الأساسيات في مقال واحد — كود حقيقي، مخططات وخطوات ملموسة، مقتطفات من دورة تتكون من 43 درسًا.
يمكن للجميع تعلم CNN Computer Vision — بشرط اتباع الخطوات بالترتيب الصحيح. لقد لخصنا دورة كاملة من 43 درسًا في مسار واضح، مع أكثر مقتطفات الكود فائدة.
- مقدمة وتثبيت
- أساسيات الرؤية الحاسوبية
- بناء أول CNN
- المعماريات الكلاسيكية
- التعلم بالنقل والضبط الدقيق
حالة عملية: تصنيف الكلاب مقابل القطط
الأهداف التعليمية
- تنظيم مجموعة بيانات صور في مجلدات حسب الفئة
- تحميل الصور باستخدام خط أنابيب Keras
- بناء نموذج تعلم بالنقل ثنائي
- التدريب باستخدام استخراج الميزات ثم الضبط الدقيق
- تفسير الدقة المحققة
تحضير البيانات
تحتوي مجموعة بيانات الكلاب مقابل القطط على آلاف الصور. ننظمها في مجلدات، واحد لكل فئة، وهو ما يقرأه Keras تلقائيًا.
التصنيف الأول للصور باستخدام MNIST
الأهداف التعليمية
- تحميل واستكشاف مجموعة بيانات MNIST
- تطبيع الصور قبل التدريب
- بناء نموذج بسيط باستخدام Keras
- التدريب والتقييم وتفسير الدقة المحققة
- فهم خط الأنابيب الكامل: البيانات، النموذج، التدريب، التقييم
ما هو MNIST؟
MNIST هو مجموعة من 70 000 صورة لأرقام مكتوبة بخط اليد (من 0 إلى 9)، كل منها بحجم 28×28 بكسل بتدرجات الرمادي. 60 000 صورة للتدريب و10 000 للاختبار. إنها مجموعة البيانات التاريخية في الرؤية: بسيطة بما يكفي للتدريب في ثوانٍ، لكنها غنية بما يكفي لتوضيح جميع المفاهيم الأساسية.
الهدف: إعطاء صورة رقم للنموذج والحصول على الفئة الصحيحة من بين 10 فئات. إنها مشكلة تصنيف متعدد الفئات.
الخطوة 1: تحميل واستكشاف البيانات
الخطوة 2: تطبيع الصور
تتعلم الشبكات بشكل أفضل عندما تكون المدخلات صغيرة ومركزة. لذلك نقسم على 255 لجعل كل بكسل بين 0 و1.
الخطوة 4: التدريب والتقييم
| العنصر | الدور |
|---|---|
epochs | عدد المرات التي يرى فيها النموذج كامل مجموعة البيانات |
validation_split | جزء البيانات المخصص لمراقبة الإفراط في التكيف |
evaluate | قياس الأداء على بيانات لم يسبق رؤيتها |
جدولة معدل التعلم والإيقاف المبكر
الأهداف التعليمية
- فهم تأثير معدل التعلم
- استخدام مخطط معدل التعلم
- تطبيق الإيقاف المبكر
- حفظ أفضل نموذج باستخدام نقطة تحقق
- دمج هذه الاستدعاءات في
fit
معدل التعلم: الرافعة الرئيسية
يتحكم معدل التعلم (learning rate) في حجم تحديثات الأوزان. وهو أهم معامل فائق. إذا كان مرتفعًا جدًا، يتباعد التدريب أو يتذبذب. وإذا كان منخفضًا جدًا، يصبح التدريب طويلًا ويعلق. المثالي يتطور أثناء التدريب.
معدل تعلم مرتفع جدًا
تتذبذب الخسارة أو تنفجر أو لا تنخفض. يقفز النموذج فوق الحد الأدنى.
معدل تعلم منخفض جدًا
تنخفض الخسارة ببطء شديد. التدريب مكلف وقد يتوقف.
جدولة معدل التعلم
الفكرة: البدء بمعدل تعلم كبير بما يكفي للتقدم سريعًا، ثم تقليله تدريجيًا للضبط الدقيق. استراتيجية شائعة هي تقسيم معدل التعلم عندما تتوقف خسارة التحقق عن التحسن.
تغطي هذه المقالة المقتطفات الأكثر فائدة — الدورة الكاملة CNN Computer Vision (11 فصول، 43 درسًا، تمارين محلولة ومشروع نهائي) تأخذك حتى النهاية.
./acceder-au-cours-complet cours gratuit : Maîtriser Claude Codeالأسئلة الشائعة
كم من الوقت يستغرق تعلم CNN Computer Vision؟
هل هناك متطلبات مسبقة؟
من أين نبدأ عمليًا؟
📬 هل تريد تلقي هذا النوع من الأدلة كل أسبوع؟ اشترك مجانًا — كود حقيقي، بدون كلام فارغ.