Mạng Nơ-ron (NN)

Mạng nơ-ron (Neural Network - NN) là một mô hình tính toán lấy cảm hứng từ cấu trúc và chức năng của bộ não con người. Nó tạo thành xương sống của hầu hết các mô hình học sâu (DL) và là một khái niệm cơ bản trong Trí tuệ nhân tạo (AI) hiện đại. NN được thiết kế để nhận ra các mẫu trong dữ liệu bằng cách xử lý thông tin thông qua các lớp nút được kết nối với nhau, hoặc "nơ-ron". Cấu trúc này cho phép chúng học hỏi từ lượng lớn dữ liệu, khiến chúng trở nên vô cùng mạnh mẽ cho các tác vụ phức tạp như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên (NLP).

Cách thức hoạt động của Mạng nơ-ron?

Một mạng nơ-ron bao gồm ba loại lớp chính: một lớp đầu vào, một hoặc nhiều lớp ẩn và một lớp đầu ra. Mỗi lớp chứa các nơ-ron được kết nối với các nơ-ron trong lớp tiếp theo.

1. Lớp đầu vào: Lớp này nhận dữ liệu ban đầu, chẳng hạn như các pixel của một hình ảnh hoặc các từ trong một câu.
2. Các lớp ẩn: Đây là các lớp trung gian giữa đầu vào và đầu ra. Đây là nơi hầu hết các tính toán xảy ra. Mỗi neuron áp dụng một phép biến đổi toán học cho các đầu vào của nó, bao gồm việc học trọng số mô hình và một hàm kích hoạt như ReLU hoặc Sigmoid để xác định đầu ra của nó. Các mạng có nhiều lớp ẩn được gọi là mạng nơ-ron "sâu".
3. Lớp đầu ra (Output Layer): Lớp cuối cùng này tạo ra kết quả, chẳng hạn như nhãn phân loại hoặc giá trị dự đoán.

Quá trình học, được gọi là huấn luyện, bao gồm việc cung cấp cho mạng các tập dữ liệu lớn. Mạng đưa ra dự đoán, so sánh nó với kết quả thực tế và tính toán sai số bằng cách sử dụng một hàm mất mát. Sau đó, nó sử dụng một thuật toán gọi là lan truyền ngược để điều chỉnh trọng số của các kết nối nhằm giảm thiểu sai số này qua nhiều lần lặp, hay còn gọi là epochs. Quá trình này được hướng dẫn bởi một thuật toán tối ưu hóa như Adam.

Mạng nơ-ron so với Các khái niệm liên quan

Điều quan trọng là phải phân biệt Mạng nơ-ron (NNs) với các thuật ngữ liên quan khác:

• Học máy so với Mạng nơ-ron: Học máy (ML) là một lĩnh vực rộng lớn của AI và NN chỉ là một loại mô hình ML. Các mô hình ML khác bao gồm cây quyết định và máy vectơ hỗ trợ (SVM), không sử dụng kiến trúc nơ-ron theo lớp.
• Học sâu so với Mạng nơ-ron: Học sâu là một lĩnh vực con của ML, đặc biệt sử dụng các mạng nơ-ron sâu—NN với nhiều lớp ẩn. Do đó, tất cả các hệ thống học sâu đều dựa trên NN, nhưng một NN đơn giản chỉ với một lớp ẩn có thể không được coi là "sâu".

Các loại và ứng dụng của Mạng nơ-ron

Mạng nơ-ron cực kỳ linh hoạt và đã được điều chỉnh thành nhiều kiến trúc chuyên biệt khác nhau. Dưới đây là hai ví dụ chính:

1. Thị giác máy tính (CV): Mạng nơ-ron tích chập (CNNs) là lực lượng thống trị trong thị giác máy tính.

   • Phát hiện đối tượng: Các mô hình như Ultralytics YOLO11 sử dụng CNN để xác định và định vị các đối tượng trong một hình ảnh bằng cách sử dụng hộp giới hạn. Điều này rất quan trọng đối với các ứng dụng như AI trong xe tự lái và quản lý hàng tồn kho dựa trên AI.
   • Phân vùng ảnh (Image Segmentation): Mạng nơ-ron (NNs) có thể phân loại từng pixel trong ảnh để cho phép hiểu chi tiết về khung cảnh cho các tác vụ như phân tích ảnh y tế. Bạn có thể khám phá các tác vụ phân vùng với tài liệu Ultralytics.

2. Xử lý ngôn ngữ tự nhiên (NLP) (Natural Language Processing (NLP)): Mạng nơ-ron (NN), bao gồm Mạng nơ-ron hồi quy (RNN) (Recurrent Neural Networks (RNNs)) và Transformers, đã cách mạng hóa cách máy móc xử lý ngôn ngữ.

   • Dịch Máy (Machine Translation): Các dịch vụ như Google Dịch dựa vào các NN phức tạp để tự động dịch văn bản giữa các ngôn ngữ với độ chính xác đáng kể.
   • Phân Tích Cảm Xúc (Sentiment Analysis): Các doanh nghiệp sử dụng NN để phân tích đánh giá của khách hàng và bình luận trên mạng xã hội để xác định giọng điệu cảm xúc (tích cực, tiêu cực hoặc trung tính), như được giải thích trong tổng quan về phân tích tình cảm của IBM.

Công Cụ và Framework

Việc phát triển Mạng nơ-ron (NN) trở nên dễ dàng hơn nhờ các công cụ và framework mạnh mẽ.

• Thư viện: Các Framework như PyTorch và TensorFlow cung cấp các khối xây dựng thiết yếu để tạo và huấn luyện NN. Bạn có thể tìm hiểu thêm tại trang web chính thức của PyTorch và TensorFlow.
• Nền tảng: Ultralytics HUB cung cấp một nền tảng tích hợp để huấn luyện các mô hình YOLO, quản lý bộ dữ liệu và đơn giản hóa quy trình triển khai mô hình.
• Mô hình được huấn luyện trước: Nhiều nhà nghiên cứu và nhà phát triển bắt đầu với các mô hình được huấn luyện trước có sẵn từ các trung tâm như Hugging Face hoặc trong hệ sinh thái Ultralytics. Các mô hình này thường chỉ yêu cầu tinh chỉnh trên một bộ dữ liệu cụ thể, giúp tiết kiệm đáng kể thời gian và tài nguyên tính toán. Bạn có thể tìm thấy so sánh giữa các mô hình YOLO khác nhau trong tài liệu của chúng tôi.