Neural Networks là gì?

Mạng nơ-ron (Neural Networks) là gì?

Hãy tưởng tượng việc dạy máy móc học hỏi theo cách giống như bộ não con người, chẳng hạn như nhận dạng khuôn mặt và hình ảnh hoặc tự lái xe. Cơ chế đằng sau những khả năng đáng kinh ngạc đó nằm trong mạng nơ-ron.

Mạng nơ-ron là các mô hình tính toán chịu ảnh hưởng bởi cấu trúc thần kinh của não người. Một mạng nơ-ron nhân tạo bao gồm các nút được kết nối với nhau được gọi là nơ-ron. Các nơ-ron này nhận dữ liệu đầu vào, giống như mạng lưới thần kinh của não người, và học cách đưa ra quyết định theo thời gian.

Ví dụ:

Bằng cách cung cấp cho mạng dữ liệu như hình ảnh của mèo và chó, nó có thể học cách nhận dạng các mẫu và hình thành các kết nối. Càng được tiếp xúc với nhiều dữ liệu, nó càng học hiệu quả hơn.

Cấu trúc của mạng nơ-ron

Một mạng nơ-ron bao gồm:

• Lớp đầu vào (Input layer): Nhận dữ liệu. Ví dụ, trong nhiệm vụ nhận dạng hình ảnh, lớp đầu vào sẽ lấy các giá trị pixel của hình ảnh.
• Các lớp ẩn (Hidden layers): Xử lý dữ liệu. Mỗi lớp ẩn biến đổi dữ liệu đầu vào bằng cách áp dụng hàm kích hoạt. Hàm kích hoạt là các hàm toán học cho phép mạng học các mẫu phức tạp.
• Lớp đầu ra (Output layer): Tạo ra kết quả cuối cùng của quá trình xử lý của mạng.

Lưu ý: Khi một mạng bao gồm nhiều lớp ẩn hơn, nó sẽ trở nên "sâu" hơn, đó là lý do tại sao thuật ngữ "Deep Learning" được sử dụng.

Mạng nơ-ron học hỏi như thế nào?

Mạng nơ-ron học hỏi thông qua một quá trình gọi là huấn luyện. Các bước của quá trình này bao gồm:

1. Lan truyền tiến (Forward pass/Forward propagation): Dữ liệu đi qua các lớp của mạng nơ-ron. Mạng tính toán đầu ra.
2. Tính toán lỗi (Error calculation): Đầu ra này được so sánh với câu trả lời thực tế để tính toán sự khác biệt, được gọi là lỗi hoặc mất mát.
3. Lan truyền ngược (Backward pass/Backpropagation): Lỗi này được gửi ngược lại qua mạng để điều chỉnh các tham số nội bộ như trọng số và độ lệch.
4. Lặp lại: Quá trình lan truyền tiến, tính toán lỗi và lan truyền ngược được lặp lại nhiều lần với các tập dữ liệu khác nhau cho đến khi mạng nơ-ron liên tục đưa ra dự đoán chính xác.

Các loại mạng nơ-ron

• Mạng nơ-ron Perceptron: Loại mạng nơ-ron nhân tạo đơn giản nhất, chỉ bao gồm lớp đầu vào và đầu ra.
• Mạng nơ-ron Feed-forward: Thông tin chạy theo một hướng, tức là về phía trước. Mỗi nơ-ron trong một lớp nhận đầu vào từ các nơ-ron trong lớp trước đó và sau đó chuyển đầu ra của nó đến các nơ-ron trong lớp tiếp theo.
• Mạng nơ-ron Deep Feed-forward: Tương tự như mạng Feed-forward nhưng có nhiều hơn một lớp ẩn.
• Mạng nơ-ron Modular: Kết hợp hai hoặc nhiều mạng nơ-ron để đạt được đầu ra.
• Mạng nơ-ron Tích chập (CNN): Đặc biệt phù hợp để phân tích dữ liệu hình ảnh. Thuật ngữ "tích chập" đề cập đến một phép toán toán học trong đó một hàm được áp dụng cho một hàm khác và kết quả là sự kết hợp của hai hàm.
• Mạng nơ-ron Hồi quy (RNN): Mỗi nơ-ron trong các lớp ẩn nhận được đầu vào với một độ trễ thời gian cụ thể. Điều này cho phép RNN xem xét ngữ cảnh của đầu vào. RNN hữu ích trong việc dự đoán từ tiếp theo trong câu, vì nó xem xét ngữ cảnh và dòng chảy của cuộc trò chuyện.

Mạng nơ-ron là các khối xây dựng của hệ thống AI lấy cảm hứng từ cấu trúc của não người. Chúng bao gồm các lớp, bao gồm lớp đầu vào, một hoặc nhiều lớp ẩn và lớp đầu ra. Mạng nơ-ron dựa vào lan truyền tiến để xử lý dữ liệu từ lớp đầu vào đến lớp đầu ra và lan truyền ngược để điều chỉnh các tham số nội bộ dựa trên lỗi được tính toán trong quá trình lan truyền tiến. Có nhiều loại mạng nơ-ron khác nhau, bao gồm mạng nơ-ron perceptron, feed-forward, deep feed-forward, modular, mạng nơ-ron tích chập và mạng nơ-ron hồi quy.