تخيّل خطّ إنتاج في مصنع تُحوّل فيه كلّ محطّة المادّة الخام قليلاً قبل تمريرها إلى التالية: هكذا يعمل الإدراك متعدد الطبقات (MLP). إنّه أكثر الشبكات العصبية كلاسيكيّةً، ويتكوّن من طبقات من الخلايا العصبية المترابطة بالكامل تُحوّل المُدخل تدريجيًّا إلى مُخرج. وهو اللبنة المؤسِّسة للتعلّم العميق الحديث.
بنية متعددة الطبقات
يُكدّس الـ MLP ثلاثة أنواع من الطبقات على الأقلّ: طبقة إدخال، وطبقة أو أكثر من الطبقات المخفية، وطبقة إخراج. تحسب كلّ خليّة مجموعًا موزونًا لمُدخلاتها، تضيف إليه انحيازًا (bias)، ثمّ تطبّق دالّة تنشيط غير خطّية:
$$ a = \sigma!\left( \sum_{i=1}^{n} w_i x_i + b \right) $$
من دون هذه اللاخطّية (مثل ReLU أو السيني أو tanh)، يتحوّل تكديس الطبقات إلى مجرّد ضرب مصفوفات واحد — عاجز عن نمذجة العلاقات المعقّدة.
التعلّم عبر الانتشار الخلفي
يتعلّم الـ MLP عبر تعديل أوزانه لتقليل الخطأ بين تنبّؤه والحقيقة. تنشر خوارزمية الانتشار الخلفي (backpropagation) الخطأ من المُخرج نحو المُدخل، ويحدّث النزول الاشتقاقي كلّ وزن.
| العنصر | الدور |
|---|---|
| الأوزان ($w$) | قوّة الروابط، مُتعلَّمة |
| الانحياز ($b$) | إزاحة قابلة للضبط |
| التنشيط | يُدخل اللاخطّية |
| الانتشار الخلفي | يحسب التدرّجات |
نقاط القوّة والحدود
- القوّة: مُقرِّب عامّ للدوالّ، بسيط ومتعدّد الاستخدامات (الانحدار والتصنيف).
- الحدود: يتجاهل البنية المكانية (ومن هنا الشبكات الالتفافية CNN للصور) والبنية الزمنية (ومن هنا RNN وTransformers).
الـ MLP هو السلف المباشر للشبكات العميقة: فهم طبقاته يعني فهم القلب النابض للذكاء الاصطناعي الحديث.