Mạng nơ-ron tích chập (CNN)

Mạng nơ-ron tích chập (CNN) là một kiến trúc mạng nơ-ron đặc biệt dành cho việc xử lý dữ liệu hình ảnh và giúp máy tính hiểu và phân tích hình ảnh một cách tự động. Nguyên tắc hoạt động của CNN dựa trên ba khái niệm chính: tích chập, tổng hợp và kích hoạt.Tích chập (Convolution): Lớp tích chập là lớp đầu tiên trong mạng CNN. Nó sử dụng các bộ lọc (hay còn gọi là kernel) để trượt qua ảnh đầu vào. Mỗi bộ lọc có thể nhận biết các đặc trưng cụ thể trong ảnh như cạnh, góc, hoặc hình dạng. Khi bộ lọc trượt qua ảnh, nó tạo ra các bản đồ đặc trưng (feature maps) bằng cách thực hiện phép tích chập giữa bộ lọc và vùng tương ứng trên ảnh. Các bản đồ đặc trưng này giúp mô hình nhận biết các đặc trưng quan trọng trong hình ảnh.
Tổng hợp (Pooling): Lớp tổng hợp thường đặt sau lớp tích chập. Nhiệm vụ của lớp này là giảm kích thước của các bản đồ đặc trưng bằng cách lấy giá trị lớn nhất hoặc trung bình từ các vùng nhỏ trên bản đồ đặc trưng. Việc này giúp giảm số lượng tham số và chi phí tính toán, đồng thời làm giảm nguy cơ overfitting.
Kích hoạt (Activation): Lớp kích hoạt áp dụng một hàm kích hoạt phi tuyến lên các giá trị trong các bản đồ đặc trưng. Phép kích hoạt này giúp mô hình học cách biểu diễn các đặc trưng phức tạp và tạo tính phi tuyến cho mạng.
Lớp kết nối đầy đủ (Fully Connected Layer): Sau khi thông qua các lớp tích chập, tổng hợp và kích hoạt, dữ liệu được đưa vào lớp kết nối đầy đủ để thực hiện các tác vụ như phân loại hoặc dự đoán. Trong lớp này, các nơ-ron kết nối với tất cả các nơ-ron trong lớp trước, giúp học cách tổ hợp các đặc trưng để đưa ra dự đoán cuối cùng.
Toàn bộ quá trình này, từ lớp tích chập cho đến lớp kết nối đầy đủ, là quá trình học tự động. Mạng nơ-ron tự điều chỉnh các trọng số của các lớp để tối ưu hóa hiệu suất cho nhiệm vụ cụ thể, chẳng hạn như phân loại ảnh.