خانه تازه های IT و تکنولوژی شبکه‌ های عصبی و روش کار آن ها

شبکه‌ های عصبی و روش کار آن ها

0
8
شبکه عصبی

شبکه‌ های عصبی و روش کار آن ها

شبکه‌های عصبی مصنوعی با ایده گرفتن از عملکرد مغز انسان بوجود می آیند و در موارد مختلفی از پزشکی تا اقتصاد کاربرد دارند.

مغز بهتر است یا کامپیوتر؟

اگر از افراد بپرسید که آیا تمایل دارند مغزی مثل کامپیوتر داشته باشند فورا جواب مثبت می‌دهند. اما اگر به فعالیت‌های دو دهه‌ی اخیر دانشمندان در این زمینه توجه کنید متوجه می‌شوید که آن ها تلاش می کنند کامپیوترهایی بسازند که عملکردی شبیه‌ به مغز انسان داشته باشد. اما سوال این است که چگونه؟ آن ها این کار را به کمک شبکه‌های عصبی می‌کنند.

شبکه‌های عصبی برنامه‌هایی کامپیوتری هستند که از صدها، هزاران یا میلیون‌ها سلول مغز مصنوعی تشکیل شده‌اند که شبیه‌به مغز انسان عمل رفتاری و یادگیری را انجام می‌دهد. در اینجا تصمیم داریم به ماهیت دقیق‌تر شبکه‌های عصبی و نحوه کارکرد آن ها به‌طور جزئی‌تر بپردازیم. کامپیوتر و مغز چیزهای مشترک زیادی باهم دارند اما اساسا متفاوت هستند. اگر ما انعطاف‌پذیری مغز را با قدرت کامپیوتر ترکیب کنیم چه اتفاقی می‌افتد؟ احتمالا یک شبکه عصبی فوق‌العاده مفید به‌دست می‌آید. این عکس مربوط‌ به همپوشانی اسکن مغزی موسسه ملی NIDA و موسسه‌ی ملی سلامت آمریکا با شبکه عصبی سایت explainthatstuff.com است.سلول های عصبی مغز

بعضی اوقات پیش می‌آید که افراد مغز انسان را با کامپیوترهای الکترونیکی مقایسه می‌کنند و شباهت‌های آن ها را بررسی می‌کنند. یک مغز عادی دارای ۱۰۰ میلیارد (هیچ‌کس به‌طور دقیق نمی‌داند که این تعداد چقدر است و تخمین زده می‌شود که این تعداد بین ۵۰ میلیارد تا ۵۰۰ میلیارد است) سلول کوچک به‌نام نورون است. هر نورون از یک جسم سلولی (یا جسم یاخته که توده‌ی مرکزی سلول است) با تعدادی‌ از اتصالات مربوط‌ به آن ساخته شده است: تعداد زیادی دندریت (ورودی‌های سلول که حمل کننده اطلاعات به داخل جسم سلولی هستند) و یک آکسون (خروجی سلول که حامل اطلاعات به خارج سلول است).

نورون‌ها به قدری کوچک هستند که می‌توان ۱۰۰ عدد از جسم‌های سلولی آن ها را در یک میلی‌متر قرار داد.  نورون‌ها فقط ۱۰ درصد از تمامی سلول‌های مغز را تشکیل داده و ۹۰ درصد بقیه به سلول‌های گلیالی (نوروگلی) مربوط‌ می‌شود که وظیفه حفاظت و تغذیه نورون‌ها را برای رشد و کار کردن آن ها برعهده دارند. دستگاه کوچکی به‌نام ترانزیستور داخل کامپیوتر وجود دارد که عملکردی شبیه‌ به سلول مغزی دارد.

جدیدترین و پیشرفته‌ترین ریزپردازنده‌ها (کامپیوترهای تک تراشه‌ای) حاوی بالغ‌ بر ۲ میلیارد ترانزیستور هستند. حتی یک ریزپردازنده‌ی ابتدایی هم دارای چیزی حدود ۵۰ میلیون ترانزیستور است که همه‌ی آن ها داخل یک مدار مجتمع (آی‌سی) که مساحت آن تنها ۲۵ میلی‌متر مربع (کوچک‌تر از یک تمبر پستی) است قرار داده شده‌اند.

یک نورون ساختار بنیادین یک سلول مغزی است که جسم سلولی مرکزی، دندریت‌ها (که به جسم سلولی منتهی می‌شوند)، و آکسون (که از جسم سلولی خارج می‌شود) را نشان می‌دهد. این تصویر به موسسه ملی NIDA تعلق دارد و موسسه ملی سلامت آمریکاست.ساختمان اکسون در مغز

این همان جایی است که مقایسه‌ی بین کامپیوتر و مغز آغاز شده و به‌پایان می‌رسد چرا که این دو پدیده کاملا با یکدیگر تفاوت دارند. تفاوت تنها  به این مربوط‌ نمی‌شود که کامپیوترها جعبه‌های فلزی سردی هستند که پر از اعداد باینری (۰و۱) هستند و این که مغز جسم زنده و گرمی در نظر گرفته می‌شود که پر از احساسات، خاطرات و افکار ما است. تفاوت اصلی اینجاست که روش فکرکردن کامپیوتر و مغز متفاوت است.

نحوه‌ چینش ترانزیستورهای کامپیوتر تقریبا ساده است و به‌شکل زنجیره‌های سریالی (هر تزانزیستور به دو یا سه ترانزیستور دیگر در ترتیبی به‌نام دروازه‌ی منطقی وصل شده است) است، درحالی‌که نورون‌ها در مغز به‌نحوه‌ای بسیار پیچیده‌ و موازی به‌یکدیگر متصل‌اند (هر نورون شاید به‌چیزی حدود ۱۰ هزار نورون مجاور خود متصل شده باشد). تفاوت ساختار اصلی بین کامپیوتر (با چندصد میلیون ترانزیستور متصل‌شده به روشی ساده) و مغز (شاید  ۱۰ تا ۱۰۰ برابر پیچیده‌تر از شیوه ی اتصال کامپیوتر) چیزی است که سبب می‌شود این دو آنقدر متفاوت از یکدیگر فکر کنند. کامپیوتر برای ذخیره کردن مقادیر زیادی‌ از اطلاعات بی‌معنی (برای کامپیوتر) و مرتب‌کردن دوباره‌ی این اطلاعات با توجه به دستورالعمل‌ها (برنامه‌ها) طراحی شده است در حالی که فرآیند یادگیری مغز  آهسته‌ و با متدی میدانی دارد که ماه‌ها یا سال‌ها طول می‌کشد که یک چیز پیچیده را کاملا درک کند. اما برخلاف کامپیوتر مغز  می‌تواند اطلاعات را به‌طور همزمان در راه‌های جدیدی ترکیب کند (مثل آثار بتهوون یا شکسپیر که ناشی‌ از خلاقیت بود)، الگوهای اصلی را شناسایی کند اتصالات جدید و تازه ای بسازد و چیزهایی را که یاد گرفته‌ است با تفکری متفاوت ببیند.

ترانزیستورهای کامپیوترمغز الکترونیکی؟

نه کاملا. درداخل، یک تراشه‌ی کامپیوتر معمولی است (مربع مرکزی) که از هزاران، میلیون‌ها و شاید حتی میلیاردها سوئیچ الکترونیکی به‌نام ترانزیستور تشکیل شده است اما تعداد آن ها  از سلول‌های داخل مغز انسان کمتر است. عکس گرفته شده از مرکز تحقیقات گلن ناسا است. ایده‌ ابتدایی پشت یک شبکه عصبی، شبیه‌سازی (کپی کردن ساده و همچنین پایدار) بسیاری‌ از سلول‌های مغزی متصل داخل یک کامپیوتر است تا بتوان با این کار اعمال یادگیری، شناسایی الگوها و تصمیم‌گیری انسان‌گونه را انجام داد.

نکته‌ جالب دیگر توجه درمورد شبکه‌ی عصبی این است که نیازی نیست آن را برای یادگیری صریح، برنامه‌ریزی کنید. این شبکه در واقع  می‌تواند همه‌چیز را مانند مغز انسان خودش یاد بگیرد.

آیا شبیه شدن کامپیوترها به مغز انسان اتفاق خارق‌العاده‌ای نخواهد بود؟

این همان موقعیتی است که شبکه‌های عصبی به عرصه وارد می شوند. اما این شبکه‌ی عصبی، مغز نیست. حتما این نکته مهم را درنظر بگیرید که عموما شبکه‌های عصبی  شبیه‌سازهای نرم‌افزاری هستند که با برنامه‌نویسی برای کامپیوترهای بسیار ساده و پیش‌پاافتاده راه می‌افتند و با روش‌های قبلی خود و با استفاده‌ از ترانزیستورها و دروازه‌های منطقی خود کار می‌کنند تا به‌مانند میلیاردها سلول مغزی متصل و موازی عمل کنند. تا به‌ حال هیچ‌کس حتی تلاش هم نکرده است تا کامپیوتری بسازد که با ترانزیستورهایی با ساختار موازی مانند مغز انسان کار کند.

به‌ عبارت دیگر تفاوت شبکه‌ی عصبی با مغز مانند تفاوت مدل کامپیوتری آب‌وهوا با ابر، برف، و هوای آفتابی در واقعیت است. شبیه‌سازی کامپیوتر تنها مجموعه‌ای از معادلات ریاضی و متغیرهای جبری است که آن ها را به‌هم وصل می‌کند (اعداد ذخیره‌شده در جعبه‌هایی که مقدار آن ها دائما درحال تغییر است). برای کامپیوترها این شبیه‌سازی‌ها بی معنا هستند و تنها برای افرادی که برنامه‌ آن ها را می‌نویسند بامعنا است. قبل‌از اینکه جلوتر برویم باید چندین اصطلاح را بررسی کنیم. شبکه‌های عصبی‌ که از این راه (شبیه‌سازی و برنامه‌نویسی) ساخته می‌شوند شبکه‌ی عصبی مصنوعی (ANN) نامیده می‌شوند تا نسبت‌ به شبکه‌های عصبی حقیقی (مجموعه‌های سلول‌های مغزی متصل) که داخل مغز ما هستند متمایز شوند.

شاید اصطلاحات دیگری مانند ماشین‌های اتصال، پردازنده‌های توزیع‌شده‌ی موازی، ماشین‌های تفکر و … هم را شنیده باشید اما  تنها تصمیم داریم در این مقاله از اصطلاح شبکه‌ی عصبی استفاده کنیم و هر جا این اصطلاح دیده شد منظور همان شبکه‌ی عصبی مصنوعی است. یک شبکه عصبی معمولی ده‌ها، صدها،َ هزاران یا حتی میلیون‌ها نورون مصنوعی به‌نام واحد دارد که در مجموعه‌ای از لایه‌ها قرارگرفته‌اند که در هرطرف با بقیه لایه‌ها به‌هم وصل شده اند.

بعضی از آن ها با نام واحد‌های ورودی شناخته می‌شوند. این واحدها برای دریافت شکل‌های مختلف اطلاعات از دنیای خارجی که شبکه سعی در یادگیری، شناسایی، و پردازش آن ها دارد، طراحی شده‌اند. سایر واحدها که واحد‌های خروجی نامیده می‌شوند در طرف مخالف شبکه قرار دارند و کار آن ها بررسی و مشخص کردن چگونگی واکنش شبکه به اطلاعات یادگیری‌شده است.  واحد‌های مخفی درمیان واحدهای ورودی و خروجی وجود دارند که به‌همراه این واحدها بیشتر مغز مصنوعی را تشکیل می‌دهند.

اکثر شبکه‌های عصبی به‌طور کامل اتصال دارند بدین معنا که هر واحد مخفی و هر واحد خروجی به واحدهای لایه‌های هرطرف متصل‌ است. اتصال بین واحدها با عددی به‌نام وزن ارائه می‌شود. وزن می‌تواند مثبت (اگر یک واحد، واحد دیگر را برانگیخته کند) یا منفی (اگر یک واحد، واحد دیگر را سرکوب یا کنترل کند) باشد. هرچقدر میزان وزن بیشتر باشد اثر یک واحد بر دیگری بیشتر می‌شود. این شبیه‌به راهی است که سلول‌های حقیقی مغز در شکاف‌های کوچکی به‌نام سیناپس سبب برانگیختگی یکدیگر می‌شوند.

شبکه عصبی نورونیک شبکه عصبی کاملا متصل، از واحد‌های ورودی (قرمز)، واحدهای مخفی (آبی)، و واحدهای خروجی (زرد) تشکیل شده است که همه این واحدها به همه واحدهای هرطرف خود وصل هستند. واحدهای ورودی ازسمت چپ وارد می‌شوند و واحدهای مخفی در وسط را فعال می‌کنند و خروجی را ازسمت راست خارج می‌کنند. قدرت (وزن) اتصال بین هر دو واحد به‌تدریج با یادگیری‌های شبکه منطبق می‌شود. اطلاعات از دو راه در شبکه‌ی عصبی جریان دارند: هنگامی که درحال یادگیری است. یا پس از این که عمل یادگیری انجام شد. در این زمان‌ها الگوهای یادگیری به‌وسیله‌ی واحدهای ورودی وارد شبکه می‌شوند و سبب بر انگیخته شدن لایه‌های واحدهای مخفی می شوند و این لایه‌ها به واحدهای خروجی می‌رسند. به این طراحی رایج، شبکه عصبی پیش‌خور می‌گویند.

همه‌ واحدها همیشه شلیک نمی‌شوند. هرواحدی اطلاعات ورودی را از واحدهای سمت چپ خود دریافت می‌کند و ورودی‌ها در وزن اتصالات مربوط‌به خود ضرب می‌شوند. هرواحدی تمامی ورودی‌هایی را که دریافت می‌کند به این راه جمع می‌زند و (در ساده‌ترین نوع شبکه) اگر جمع بیش‌از یک مقدار آستانه مشخص شد، این واحد شلیک می‌کند و واحدهای متصل به‌خود را (که در سمت راست هستند) راه می‌اندازد. برای یادگیری یک شبکه عصبی باید بازخورد وجود داشته باشد. همان‌طور که به کودکان گفته می‌شود که چه چیزی درست و چه چیزی غلط است. در حقیقت همه‌ی ما همیشه از بازخورد استفاده می‌کنیم. زمانی را به‌ یاد بیاورید که  برای اولین بار می‌خواستیم بازی بولینگ را بیاموزیم. وقتی شما توپ سنگینی برمی‌دارید و آن را پرتاب می‌کنید مغز شما به‌سرعت چگونگی حرکت توپ و مسیر آن را می بیند و میزان دقت شما را بررسی می‌کند.

دفعه بعدی که دوباره نوبت شما رسید اشتباهات دفعه قبلی خود را به‌یاد می‌آورید و حرکت خود را باتوجه به این اشتباهات اصلاح می‌کنید و امیدوارید که این‌بار توپ را بهتر از ‌قبل پرتاب کنید. بنابراین در این مثال از بازخورد برای مقایسه نتیجه قبلی با نتیجه دلخواه خود استفاده می‌کنید. این بازخورد تفاوت‌ها را مشخص می‌کند و  در دستور کار شما تغییراتی برای دفعه بعدی بوجود می آورد:  پرتاب کردن باشدت بیشتر؛ کمی به‌سمت چپ پرتاب کردن؛ دیرتر رها کردن، و … هرچه تفاوت بین نتایج حقیقی و نتایج دلخواه بیشتر و بزرگ‌تر شود، تغییرات نیز بیشتر خواهد شد.

بولینگ: شما باکمک شبکه عصبی داخل مغزتان یاد می‌گیرید که چگونه چنین مهارت‌هایی را به‌دست بیاورید. هردفعه که شما توپ را به اشتباه پرتاب می‌کنید می آموزید که باید برای دفعه بعد چه اصلاحاتی به‌کار برید.

بولینگ

شبکه‌های عصبی هم به‌همین روش چیزهای مختلف را یاد می‌گیرند. یادگیری شبکه‌های عصبی با استفاده‌از یک روند بازخوردی را پس‌انتشار گویند. این عمل عبارت‌ است از: مقایسه‌ی خروجی تولیدی یک شبکه با خروجی‌ که دلخواه و مورد انتظار است.

از تفاوت بین این دو خروجی، برای تغییر و اصلاح وزن‌های اتصالات بین واحدهای شبکه استفاده می‌شود، با این‌ تفاوت که این روش برعکس است، یعنی از واحدهای خروجی به‌سمت واحدهای مخفی و سپس از آنجا به‌سمت واحدهای ورودی می‌رویم. پس‌انتشار با کاهش تفاوت بین خروجی واقعی و خروجی دلخواه، تاحدی که این دو خروجی یکسان شوند، جلو می‌رود تا شبکه‌ی عصبی دقیقا همان‌طوری که باید و انتظار می‌رود کار کند. زمانی‌ که شبکه به وسیله نمونه‌های یادگیری کافی، آموزش داده شد، به نقطه‌ای می‌رسد که می‌توان یک سری جدید از ورودی‌ها را وارد آن کرد که قبلا آنها را ندیده باشد و واکنش شبکه به این ورودی‌های جدید را مشاهده کرد. به‌عنوان مثال، فرض کنید که با نشان دادن تصاویر زیادی از صندلی و میز درحال آموزش دادن یک شبکه هستید و به‌گونه‌ای به شبکه آموزش می‌دهید که کامل مفاهیم شما را درک کند و به شما بگوید که تصویر متعلق به صندلی است یا میز.

وقتی شما به‌اندازه‌ی کافی، تصویر صندلی و میز را به این شبکه نشان دادید؛ مثلا تعداد ۲۵ میز و ۲۵ صندلی، طرح جدیدی از صندلی یا میز را به آن نشان می‌دهید که قبلا آن را ندیده باشد و می‌بینید که شبکه‌ی شما چه واکنشی نشان می‌دهد. بسته به‌ نوع آموزش شما، شبکه تلاش می‌کند که نمونه‌ی جدید را دسته‌بندی کند و بگوید که آیا نمونه، تصویر صندلی است یا میز. شبکه کار دسته‌بندی را مانند انسان و با استفاده‌از تجارب گذشته انجام می‌دهد. درواقع شما به کامپیوتر یاد داده‌اید که چگونه لوازم را شناسایی کند. البته این به آن معنی نیست که شبکه‌ی عصبی قادر به نگاه کردن به نمونه‌ها باشد و فورا مثل انسان به آن ها  درست واکنش نشان دهد.

به مثالی که زدیم توجه کنید: این شبکه به میز یا صندلی نگاه نمی‌کند. ورودی‌های شبکه اعداد باینری هستند: هر واحد ورودی یا ۰ است یا ۱. بنابراین اگر شما ۵ واحد ورودی داشته باشید، می‌توانید اطلاعات ۵ مشخصه متفاوت صندلی‌های مختلف را با استفاده‌ از جواب باینری (بله/خیر) پاسخ دهید.

سوالات ممکن است به این صورت باشند:

۱-آیا این شی پشتی دارد؟

۲-آیا قسمت بالایی دارد؟

۳-آیا تکیه‌گاه آن نرم است؟

۴-آیا می‌توان چیزهای بسیاری روی آن قرار داد؟

۵-آیا می‌توان برای مدت طولانی به‌طور آسوده روی آن نشست؟

اگر نمونه‌ ارائه‌ شده یک صندلی معمولی باشد، جواب می‌شود:

بله؛ خیر؛ بله؛ بله؛ خیر با کد باینری ۱۰۱۱۰. اگر نمونه یک میز معمولی باشد، جواب می‌شود:

خیر؛ بله؛ خیر؛ خیر؛ بله با کد باینری ۰۱۰۰۱. بنابراین شبکه به اعداد باینری نگاه می‌کند و ازطریق خروجی این اعداد تشخیص می‌دهد که شی صندلی است یا میز.

باتوجه به این مثال احتمالا می‌توانید کاربردهای مختلفی برای شبکه‌های عصبی را تصور کنید که عبارت‌اند از شناسایی الگوها و تصمیم‌گیری‌های ساده درمورد آن ها. در هواپیماها از یک شبکه‌ عصبی می‌توان به‌عنوان یک خلبان‌ خودکار استفاده کرد. در هواپیما، واحدهای ورودی، سیگنال‌های دستوری مختلف‌ از کابین خلبان را می‌خوانند و واحدهای خروجی هم کنترل و هدایت هواپیما را باتوجه به سیگنال‌ها تنظیم می‌کنند.  برای کنترل کیفیت درداخل یک کارخانه می‌توان از شبکه‌ی عصبی استفاده کرد. اگر کار کارخانه تولید مواد شوینده لباس در پروسه‌ای پیچیده و شیمیایی باشد، اندازه‌گیری ماده‌ی شیمیایی نهایی ازطریق راه‌های مختلفی (رنگ، میزان اسیدیته، غلظت، و غیره) انجام می‌شود. درنهایت این اندازه‌گیری‌ها به‌عنوان ورودی به شبکه عصبی وارد می‌شوند و سپس شبکه درمورد اینکه آیا ترکیب آن ها قابل‌ قبول است یا خیر، تصمیم‌گیری می‌کند.

در موارد امنیتی شبکه‌ی عصبی نیز استفاده‌های زیادی دارد. فرض کنید اداره‌ی بانکی را برعهده دارید که هزاران معامله با کارت اعتباری در دقیقه از راه سیستم کامپیوتری شما انجام می‌شود. برای جلوگیری از کلاهبرداری معاملات باید سریعا شناسایی شوند.

شبکه‌ عصبی برای جلوگیری‌ از این کلاهبرداری بسیار مناسب است. ورودی‌ها می‌توانند مواردی مثل این سوالات باشند:

۱-آیا دارنده‌ی ‌کارت واقعا حضور دارد؟

۲-آیا شماره‌ی پین واردشده درست است؟

۳-آیا تعداد ۴ یا ۵ معامله در ۱۰ دقیقه گذشته توسط این کارت صورت گرفته است؟

۴-آیا موارد استفاده‌از این کارت، در کشوری خارج‌از جایی است که ثبت شده است؟

و سایر موارد مشابه.

یک شبکه‌ی عصبی قادر است با سرنخ‌های کافی معاملات مشکوک را شناسایی کند و به متصدی انسانی خبر دهد تا این معاملات را دقیق‌تر بررسی کند.

یک بانک هم به‌ همین روش می‌تواند از شبکه‌ عصبی برای تصمیم‌گیری برای وام‌ دادن به افراد براساس سابقه‌ی کارت اعتباری، درآمد فعلی و اطلاعات و سابقه کاری آن ها استفاده کند.

شبکه عصبی

بسیاری‌از کارهای روزمره‌ مشمول شناسایی الگوها و استفاده‌از این الگوها برای تصمیم‌گیری می‌شوند، بنابراین شبکه‌های عصبی می‌توانند در بی‌شمار روش‌ به ما کمک کنند. آنها می‌توانند در پیش‌بینی بازار سهام و ارز، آب و هوا، سیستم‌های اسکن راداری که به‌طور خودکار هواپیما یا کشتی دشمن را شناسایی می‌کنند و حتی به دکترها برای تشخیص بیماری‌های پیچیده براساس نشانه‌های این بیماری‌ها، کمک کنند.

در همین لحظه نیز شبکه‌های عصبی در کامپیوتر یا موبایل شما وجود دارند. اگر شما از تلفن‌های هوشمندی استفاده می‌کنید که دست‌خط شما روی صفحه لمسی را شناسایی می‌کنند، احتمالا این تلفن‌ها از یک شبکه‌ی عصبی ساده برای تشخیص کاراکترهایی که می‌نویسید (براساس مشخصه‌های خاص و ترتیب آنها) استفاده می‌کند. برخی‌ از نرم‌افزارهای تشخیص صدا نیز از شبکه عصبی استفاده می‌کنند.

همچنین بعضی از برنامه‌های ایمیلی که به‌طور خودکار ایمیل‌های واقعی را از اسپم‌ها جدا می‌کنند از شبکه عصبی استفاده می‌کنند.

شبکه‌های عصبی در ترجمه‌ی یک زبان به زبان دیگر نیز تاثیرگذار هستند. به‌عنوان مثال، ترجمه‌ی خودکار گوگل درچند سال گذشته استفاده‌ی زیادی از فناوری شبکه عصبی کرده است. گوگل درسال ۲۰۱۶ اعلام کرد که از چیزی به‌نام ماشین ترجمه عصبی برای ترجمه کامل جمله‌ها استفاده می‌کند که میزان خطای آن از ۵۵ تا ۸۵ درصد کاهش یافته است. در کل شبکه‌های عصبی، سیستم‌های کامپیوتری را از قبل مفیدتر کرده اند چراکه آنها را شبیه‌به مغز انسان کرده‌اند.

شاید این بار اگر گمان کردید که دوست دارید مغزتان شبیه‌ به کامپیوتر شود، تجدیدنظر کنید و خوشحال باشید که چنین شبکه‌ی عصبی‌ کارامدی در سرتان دارید!

دیدگاه شما

لطفا دیدگاه خود را وارد نمایید
لطفا نام خود را وارد کنید