Deep Learning (DL)

Deep learning (DL) là một tập hợp con chuyên biệt của machine learning (ML) mô phỏng cách não người xử lý thông tin. Trong khi ML truyền thống thường dựa vào việc trích xuất đặc trưng thủ công, deep learning tự động hóa quá trình này bằng cách sử dụng các cấu trúc đa lớp được gọi là artificial neural networks (ANNs). Các mạng này bao gồm nhiều lớp nút hoặc nơ-ron kết nối với nhau, xử lý dữ liệu theo cách phân cấp. "Độ sâu" này cho phép các model học được các mẫu và biểu diễn phức tạp trực tiếp từ dữ liệu đầu vào thô như hình ảnh, âm thanh và văn bản, giúp chúng trở nên cực kỳ mạnh mẽ trong việc giải quyết các vấn đề dữ liệu phi cấu trúc.

Link to this sectionDeep Learning hoạt động như thế nào#

Cơ chế cốt lõi của deep learning liên quan đến việc truyền dữ liệu qua nhiều lớp đơn vị xử lý phi tuyến tính. Trong một feedforward neural network tiêu chuẩn, thông tin chảy từ lớp đầu vào, qua một vài lớp "ẩn" và cuối cùng đến lớp đầu ra. Trong training phase, mạng điều chỉnh các tham số nội bộ—được gọi là weights và biases—dựa trên sai số của các dự đoán. Việc điều chỉnh này thường đạt được bằng cách sử dụng một thuật toán tối ưu hóa như stochastic gradient descent (SGD) kết hợp với backpropagation để giảm thiểu loss.

Deep learning phát huy tối đa sức mạnh khi xử lý lượng dữ liệu khổng lồ. Không giống như các thuật toán đơn giản hơn có thể bị chững lại về hiệu suất, các model DL thường tiếp tục cải thiện khi kích thước của training data tăng lên. Khả năng mở rộng này là lý do chính khiến các GPUs hiệu năng cao thường được sử dụng để tăng tốc khối lượng tính toán nặng nề cần thiết để huấn luyện các kiến trúc khổng lồ này.

Link to this sectionCác kiến trúc chính và sự khác biệt#

Deep learning thường bị nhầm lẫn với machine learning, nhưng sự khác biệt nằm ở mức độ can thiệp của con người và độ phức tạp về kiến trúc. Machine learning thường yêu cầu dữ liệu có cấu trúc và các đặc trưng do con người thiết kế. Ngược lại, deep learning thực hiện feature extraction tự động.

Có một số kiến trúc chuyên biệt tồn tại trong deep learning để xử lý các loại dữ liệu cụ thể:

• Convolutional Neural Networks (CNNs): Đây là tiêu chuẩn vàng cho các tác vụ xử lý hình ảnh. Bằng cách sử dụng các lớp tích chập, chúng bảo tồn các phân cấp không gian, khiến chúng trở nên lý tưởng cho object detection và image segmentation.
• Recurrent Neural Networks (RNNs): Được thiết kế cho dữ liệu tuần tự, RNNs và các biến thể nâng cao hơn của chúng như LSTMs là rất quan trọng cho việc phân tích chuỗi thời gian và nhận dạng giọng nói.
• Transformers: Xương sống hiện đại của natural language processing (NLP), transformers sử dụng cơ chế self-attention để xử lý toàn bộ các chuỗi song song, cung cấp năng lượng cho các large language models (LLMs) tiên tiến.

Link to this sectionCác ứng dụng trong thực tế#

Deep learning đã chuyển dịch từ lý thuyết hàn lâm sang cốt lõi của các ngăn xếp công nghệ hiện đại. Dưới đây là hai ví dụ cụ thể về tác động của nó:

1. Xe tự lái: Xe tự lái phụ thuộc rất nhiều vào deep learning để điều hướng an toàn. Các model như YOLO26 xử lý các luồng video theo thời gian thực để phát hiện người đi bộ, các phương tiện khác và biển báo giao thông. Điều này bao gồm các tác vụ phức tạp như multi-object tracking và ước tính độ sâu để đưa ra các quyết định trong tích tắc.

2. Chẩn đoán y tế: Trong lĩnh vực chăm sóc sức khỏe, các thuật toán DL hỗ trợ bác sĩ chẩn đoán hình ảnh bằng cách phân tích hình ảnh y tế như X-quang và MRI. Ví dụ, AI in healthcare sử dụng các model phân đoạn (segmentation) để xác định khối u hoặc các điểm bất thường với độ chính xác tương đương hoặc đôi khi vượt qua các chuyên gia con người, cho phép can thiệp sớm hơn.

Link to this sectionTriển khai Deep Learning#

Các công cụ như PyTorch và TensorFlow đã dân chủ hóa quyền truy cập vào deep learning, nhưng các giao diện cấp cao còn giúp việc này trở nên dễ dàng hơn nữa. Gói ultralytics cho phép các nhà phát triển tận dụng các kiến trúc hiện đại nhất mà không cần phải thiết kế lại các mạng thần kinh từ đầu.

Dưới đây là một ví dụ ngắn gọn về việc load một deep learning model đã được huấn luyện sẵn và thực hiện inference trên một hình ảnh:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (a Convolutional Neural Network)
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results to see identified objects and bounding boxes
results[0].show()

Link to this sectionCác xu hướng và công cụ tương lai#

Lĩnh vực này đang phát triển nhanh chóng hướng tới các model hiệu quả và có năng lực hơn. Các kỹ thuật như transfer learning cho phép người dùng tinh chỉnh (fine-tune) các model khổng lồ đã được huấn luyện trước trên các tập dữ liệu nhỏ hơn, cụ thể hơn, giúp tiết kiệm đáng kể thời gian và tài nguyên tính toán. Ngoài ra, sự trỗi dậy của generative AI cho thấy khả năng của DL trong việc tạo ra nội dung mới, từ hình ảnh chân thực cho đến mã nguồn.

Đối với các nhóm muốn hợp lý hóa quy trình làm việc của mình, Ultralytics Platform cung cấp một môi trường toàn diện để quản lý vòng đời của các dự án deep learning. Từ việc data annotation cộng tác đến huấn luyện và triển khai dựa trên đám mây, các công cụ này giúp thu hẹp khoảng cách giữa nghiên cứu thực nghiệm và các ứng dụng sẵn sàng cho sản xuất. Để hiểu sâu hơn về các nền tảng toán học, các tài nguyên như MIT Deep Learning Book cung cấp nội dung bao quát về lý thuyết.