Mạng nơ-ron (NN)

Mạng Nơ-ron (NN) là một mô hình tính toán lấy cảm hứng từ cấu trúc và chức năng của não 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 dạng các mẫu trong dữ liệu bằng cách xử lý thông tin thông qua các lớp nút, hay còn gọi là "nơ-ron", được kết nối với nhau. Cấu trúc này cho phép chúng học hỏi từ một lượng lớn dữ liệu, khiến chúng trở nên cực kỳ mạnh mẽ cho các tác vụ phức tạp như nhận dạng hình ảnh và xử lý ngôn ngữ tự nhiên (NLP) .

Mạng nơ-ron hoạt động như thế nào?

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

1. Lớp đầu vào : Lớp này tiếp nhận dữ liệu ban đầu, chẳng hạn như các điểm ảnh của hình ảnh hoặc các từ trong câu.
2. Lớp ẩn : Đây là các lớp trung gian giữa đầu vào và đầu ra. Đây là nơi diễn ra phần lớn quá trình tính toán. Mỗi nơ-ron áp dụng một phép biến đổi toán học cho đầu vào của nó, bao gồm việc học các 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 : 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 đào tạo, bao gồm việc cung cấp cho mạng các tập dữ liệu lớn. Mạng đưa ra dự đoán, so sánh với kết quả thực tế và tính toán sai số bằng 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 kỷ nguyên . 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 NN 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 mạng nơ-ron nhân tạo (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 phân lớp.
• Học sâu so với Mạng nơ-ron : Học sâu là một phân ngành của Học máy (ML), đặc biệt sử dụng mạng nơ-ron sâu - mạng nơ-ron nhân tạo (NN) với nhiều lớp ẩn. Do đó, tất cả các hệ thống học sâu đều dựa trên NN, nhưng một NN đơn giản chỉ có một lớp ẩn có thể không được coi là "sâu".

Các loại và ứng dụng của mạng nơ-ron

Mạng nơ-ron nhân tạo 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 (CNN) 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 ảnh bằng hộp giới hạn . Điều này rất quan trọng đối với các ứng dụng như AI trong xe tự lái và quản lý kho hàng dựa trên AI .
   • Phân đoạn hình ảnh : Mạng nơ-ron nhân tạo (NN) có thể phân loại từng pixel trong ảnh để hiểu rõ bối cảnh, phục vụ cho các tác vụ như phân tích hình ảnh y tế . Bạn có thể tìm hiểu các tác vụ phân đoạn trong tài liệu của Ultralytics .

2. Xử lý ngôn ngữ tự nhiên (NLP) : NN, bao gồm Mạng nơ-ron hồi quy (RNN) và Transformer , đã cách mạng hóa cách máy móc xử lý ngôn ngữ.

   • Dịch máy : 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 kinh ngạc.
   • Phân tích tình cảm : Các doanh nghiệp sử dụng NN để phân tích đánh giá của khách hàng và bình luận trên mạng xã hội nhằm xác định tông điệu cảm xúc (tích cực, tiêu cực hoặc trung tính), như đã giải thích trong phần tổng quan về phân tích tình cảm của IBM .

Công cụ và Khung

Việc phát triển NN có thể thực hiện được nhờ các công cụ và khuôn khổ mạnh mẽ.

• Thư viện : Các framework như PyTorch và TensorFlow cung cấp các khối xây dựng thiết yếu để tạo và huấn luyện mạng nơ-ron nhân tạo (NN). Bạn có thể tìm hiểu thêm tại trang web chính thức của PyTorch và TensorFlow .
• Nền tảng : Ultralytics HUB cung cấp nền tảng tích hợp để đào tạo các mô hình YOLO , quản lý tập dữ liệu và đơn giản hóa quy trình triển khai mô hình .
• Mô hình được đào tạo trước : Nhiều nhà nghiên cứu và nhà phát triển bắt đầu với các mô hình được đào tạo trước có sẵn từ các trung tâm như Hugging Face hoặc trong hệ sinh thái Ultralytics. Các mô hình này thường chỉ cần tinh chỉnh trên một tập 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.