Mạng nơ-ron (NN)

Mạng nơ-ron (NN) là một mô hình tính toán lấy cảm hứng từ mạng nơ-ron liên kết của não người. Các mạng này được thiết kế để nhận dạng các mẫu và mối quan hệ trong dữ liệu, cho phép chúng học từ các ví dụ và đưa ra dự đoán hoặc quyết định. Mạng nơ-ron là một thành phần cốt lõi của học sâu và đã cách mạng hóa nhiều lĩnh vực, bao gồm thị giác máy tính , xử lý ngôn ngữ tự nhiên và nhiều lĩnh vực khác. Chúng xuất sắc trong các nhiệm vụ liên quan đến dữ liệu phức tạp, không có cấu trúc, khiến chúng trở nên vô giá trong việc giải quyết các vấn đề khó hoặc không thể giải quyết bằng các phương pháp lập trình truyền thống.

Cấu trúc của một mạng nơ-ron

Mạng nơ-ron bao gồm các lớp nút được kết nối với nhau, hay "nơ-ron", được tổ chức theo một kiến trúc cụ thể. Một mạng nơ-ron điển hình bao gồm:

• Lớp đầu vào: Lớp này nhận dữ liệu ban đầu, có thể là hình ảnh, văn bản hoặc bất kỳ dạng đầu vào nào khác. Mỗi nơ-ron trong lớp đầu vào biểu diễn một tính năng của dữ liệu.
• Lớp ẩn: Các lớp này xử lý dữ liệu đầu vào thông qua các kết nối có trọng số. Mỗi nơ-ron trong lớp ẩn áp dụng một hàm kích hoạt cho tổng trọng số của các đầu vào của nó, đưa vào tính phi tuyến tính cho phép mạng học các mẫu phức tạp. Mạng nơ-ron có thể có nhiều lớp ẩn, với các mạng sâu hơn có khả năng học các biểu diễn phức tạp hơn.
• Lớp đầu ra: Lớp này tạo ra đầu ra cuối cùng của mạng, chẳng hạn như nhãn phân loại hoặc giá trị dự đoán. Số lượng nơ-ron trong lớp đầu ra phụ thuộc vào nhiệm vụ cụ thể mà mạng được thiết kế để thực hiện.

Mạng nơ-ron học như thế nào

Mạng nơ-ron học thông qua một quá trình gọi là đào tạo, trong đó chúng điều chỉnh trọng số của các kết nối giữa các nơ-ron dựa trên dữ liệu đầu vào và đầu ra mong muốn. Quá trình này bao gồm:

• Truyền tiến: Dữ liệu đầu vào được truyền qua mạng, từng lớp một, cho đến khi đạt đến lớp đầu ra. Mỗi nơ-ron áp dụng hàm kích hoạt của nó vào tổng trọng số của các đầu vào của nó, tạo ra đầu ra được truyền đến lớp tiếp theo.
• Hàm mất mát: Đầu ra của mạng được so sánh với đầu ra mong muốn bằng hàm mất mát , hàm này đo lỗi hoặc sự khác biệt giữa giá trị dự đoán và giá trị thực tế.
• Truyền ngược: Lỗi được truyền ngược qua mạng và trọng số được điều chỉnh để giảm thiểu tổn thất. Quá trình này sử dụng các thuật toán tối ưu hóa như gradient descent hoặc Adam để cập nhật trọng số theo từng đợt. Tìm hiểu thêm về truyền ngược .
• Epochs: Quá trình đào tạo được lặp lại trong nhiều epochs, trong đó mỗi epoch liên quan đến việc truyền toàn bộ tập dữ liệu đào tạo qua mạng. Mạng tiếp tục học và cải thiện hiệu suất của nó với mỗi epoch. Tìm hiểu thêm về epochs .

Các loại mạng nơ-ron

Một số loại mạng nơ-ron được thiết kế cho các nhiệm vụ cụ thể:

• Mạng nơ-ron tích chập (CNN): Chuyên dùng để xử lý dữ liệu dạng lưới, chẳng hạn như hình ảnh. CNN sử dụng các lớp tích chập để phát hiện các mẫu cục bộ và được sử dụng rộng rãi trong các ứng dụng thị giác máy tính. Tìm hiểu thêm về CNN .
• Mạng nơ-ron hồi quy (RNN): Được thiết kế để xử lý dữ liệu tuần tự, chẳng hạn như văn bản hoặc chuỗi thời gian. RNN có các kết nối phản hồi cho phép chúng duy trì "bộ nhớ" các đầu vào trước đó, khiến chúng phù hợp với các tác vụ như mô hình hóa ngôn ngữ và dịch máy. Tìm hiểu thêm về RNN .
• Mạng đối nghịch tạo sinh (GAN): Bao gồm hai mạng, một mạng tạo và một mạng phân biệt, được đào tạo cùng nhau trong một bối cảnh cạnh tranh. GAN được sử dụng để tạo ra các trường hợp dữ liệu mới giống với dữ liệu đào tạo, với các ứng dụng trong việc tạo hình ảnh, chuyển giao kiểu và tăng cường dữ liệu. Tìm hiểu thêm về GAN .

Ứng dụng trong thế giới thực

Mạng nơ-ron có nhiều ứng dụng trong nhiều ngành công nghiệp khác nhau:

• Chăm sóc sức khỏe: Mạng nơ-ron được sử dụng để phân tích hình ảnh y tế, chẳng hạn như phát hiện khối u trong ảnh chụp não , dự đoán kết quả của bệnh nhân và hỗ trợ khám phá thuốc. Khám phá cách AI đang chuyển đổi X quang .
• Xe tự hành: Xe tự lái dựa vào mạng nơ-ron để xử lý dữ liệu từ nhiều cảm biến khác nhau, cho phép chúng nhận biết môi trường, đưa ra quyết định và điều hướng an toàn. Tìm hiểu thêm về Vision AI trong xe tự lái .
• Tài chính: Mạng nơ-ron được sử dụng để phát hiện gian lận, giao dịch theo thuật toán, đánh giá rủi ro và tự động hóa dịch vụ khách hàng.
• Bán lẻ: Các ứng dụng bao gồm các đề xuất được cá nhân hóa, quản lý hàng tồn kho và phân tích hành vi khách hàng.

Mối quan hệ với các khái niệm khác

Mạng nơ-ron là một tập hợp con của máy học và là thành phần chính của học sâu. Trong khi máy học bao gồm nhiều thuật toán và kỹ thuật hơn, học sâu đặc biệt đề cập đến việc sử dụng mạng nơ-ron sâu với nhiều lớp ẩn. Mạng nơ-ron khác với các thuật toán máy học khác, chẳng hạn như máy vectơ hỗ trợ (SVM) hoặc cây quyết định , ở khả năng học các biểu diễn phân cấp của dữ liệu và xử lý các mối quan hệ phức tạp, phi tuyến tính.

Để biết thêm thông tin chi tiết về cách mạng lưới nơ-ron đang định hình các ngành công nghiệp khác nhau và khám phá các mô hình AI tiên tiến như Ultralytics YOLO , hãy truy cập Blog Ultralytics . Bạn cũng có thể tìm hiểu thêm về việc đào tạo và triển khai các mô hình với Ultralytics HUB .