Deep Learning Là Gì? Giải Thích Học Sâu Cho Người Mới Bắt Đầu
Deep learning (tiếng Việt là học sâu) là một nhánh của machine learning dùng mạng nơ-ron nhân tạo gồm nhiều lớp xếp chồng để học quy luật trực tiếp từ dữ liệu, thay vì dựa vào các đặc trưng được lập trình viên tự định nghĩa. Chữ "sâu" ở đây nói về số lớp xử lý nằm giữa đầu vào và đầu ra, chứ không có nghĩa là máy "hiểu sâu" như con người. Học sâu là kỹ thuật đứng sau nhiều công cụ AI đang dùng phổ biến, từ nhận dạng hình ảnh đến các mô hình ngôn ngữ lớn.
Nếu bạn đã đọc bài machine learning là gì, học sâu chính là nhóm kỹ thuật bên trong học máy chuyên dùng mạng nhiều lớp.
Vì Sao Gọi Là "Học Sâu"?
Một mạng nơ-ron đơn giản thường chỉ có vài lớp, còn mạng học sâu có thể có hàng chục đến hàng trăm lớp. Dữ liệu đi qua từng lớp và được biến đổi dần thành biểu diễn trừu tượng hơn.
Hãy hình dung cách một đứa trẻ học nhận biết con mèo. Không cần ai đưa định nghĩa "bốn chân, tai nhọn, có ria", trẻ chỉ xem nhiều con mèo, được người lớn sửa khi nhầm với con chó, rồi dần tự rút ra quy luật. Mạng học sâu hoạt động theo hướng tương tự: xem rất nhiều ví dụ có đáp án, tự điều chỉnh cho đến khi đoán đúng cả những ảnh chưa từng gặp.
Với nhận dạng hình ảnh, các lớp đảm nhận những việc khác nhau:
- Lớp đầu phát hiện nét đơn giản như đường thẳng và cạnh.
- Lớp tiếp theo ghép các cạnh thành hình dạng.
- Lớp sâu hơn nhận ra bộ phận như mắt hay mũi.
- Lớp cuối kết luận ảnh đang chứa một khuôn mặt.
Học Đặc Trưng Tự Động
Điểm khác biệt quan trọng so với các phương pháp học máy truyền thống là cách lấy đặc trưng.
- Học máy truyền thống thường cần kỹ sư tự thiết kế đặc trưng trước khi đưa vào thuật toán.
- Học sâu để mô hình tự tìm ra đặc trưng hữu ích ngay từ dữ liệu thô, qua từng lớp.
Điều này không loại bỏ hoàn toàn việc tinh chỉnh; số lượng lớp và kích thước mỗi lớp vẫn cần lựa chọn cho phù hợp với bài toán.
Vị Trí Của Học Sâu Trong AI
Ba khái niệm trí tuệ nhân tạo, học máy và học sâu thường bị nhầm lẫn vì phạm vi khác nhau.
| Thuật ngữ | Phạm vi | Đặc điểm chính |
|---|---|---|
| Trí tuệ nhân tạo (AI) | Rộng nhất | Hệ thống thực hiện việc cần trí thông minh |
| Machine learning | Một phần của AI | Học quy luật từ dữ liệu |
| Deep learning | Một phần của machine learning | Mạng nơ-ron nhiều lớp |
Mọi mô hình học sâu đều thuộc học máy, và mọi hệ thống học máy đều thuộc AI, nhưng không phải hệ thống AI nào cũng dùng học sâu.
Các Kiến Trúc Thường Gặp
Tùy loại dữ liệu mà người ta chọn kiến trúc khác nhau.
- Mạng nơ-ron tích chập (CNN): phổ biến cho hình ảnh và thị giác máy tính, dùng các bộ lọc trượt trên dữ liệu.
- Mạng nơ-ron hồi quy (RNN) và LSTM: dành cho dữ liệu tuần tự như văn bản và tín hiệu, chuyển trạng thái qua từng bước.
- Transformer: dùng cơ chế attention để cân nhắc phần dữ liệu liên quan, làm nền cho nhiều mô hình ngôn ngữ lớn.
Quy Trình Hoạt Động
Một mạng học sâu thường được huấn luyện theo các bước:
- Lớp đầu vào nhận dữ liệu thô như pixel, chữ hoặc âm thanh.
- Các lớp ẩn biến đổi dữ liệu tuần tự qua phép tính tuyến tính và hàm kích hoạt.
- Lớp đầu ra đưa ra dự đoán, chẳng hạn nhãn lớp.
- Hàm mất mát đo khoảng cách giữa dự đoán và đáp án đúng.
- Lan truyền ngược và tối ưu hóa cập nhật trọng số để lỗi giảm dần ở vòng sau.
Vòng lặp đi thẳng để dự đoán và đi ngược để sửa lỗi được lặp lại cho đến khi hiệu năng trên dữ liệu kiểm định ổn định.
Ưu Điểm Và Thách Thức
| Khía cạnh | Học sâu |
|---|---|
| Ưu điểm | Tự học đặc trưng, mạnh trên dữ liệu phức tạp như ảnh và ngôn ngữ |
| Nhu cầu dữ liệu | Thường cần nhiều dữ liệu để hoạt động hiệu quả |
| Nhu cầu tính toán | Huấn luyện mô hình lớn tốn tài nguyên và thời gian |
| Hạn chế | Có thể cho kết quả sai, nên kiểm định vẫn cần thiết |
Một mô hình càng nhiều lớp không tự động phù hợp hơn cho mọi tình huống. Khi dữ liệu ít hoặc bài toán đơn giản, mô hình nhẹ hơn có thể là lựa chọn tiết kiệm và đủ dùng.
Ví Dụ Ứng Dụng
- nhận dạng khuôn mặt và phân loại hình ảnh,
- trợ lý giọng nói và nhận dạng giọng nói,
- dịch thuật và xử lý ngôn ngữ tự nhiên,
- gợi ý nội dung và sản phẩm,
- phát hiện gian lận tài chính,
- tạo chữ và ảnh trong AI tạo sinh.
Câu Hỏi Thường Gặp
Học sâu là gì, nói ngắn gọn? Là nhánh của học máy dùng mạng nơ-ron nhiều lớp để học quy luật trực tiếp từ dữ liệu, với đặc trưng do mô hình tự tìm ra.
Khác gì với machine learning thông thường? Học máy truyền thống thường cần đặc trưng tự thiết kế, còn học sâu tự trích xuất đặc trưng qua nhiều lớp từ dữ liệu thô.
Vì sao cần nhiều dữ liệu? Mạng sâu có nhiều tham số, nên lượng dữ liệu đủ lớn giúp mô hình học quy luật đúng và giảm nguy cơ ghi nhớ máy móc dữ liệu huấn luyện.
Học sâu có phải là AI không? Học sâu là một phần của AI, cụ thể nằm trong machine learning. AI là khái niệm bao trùm rộng hơn.
Học sâu chỉ dùng cho hình ảnh phải không? Không. Nó còn dùng cho văn bản, giọng nói, video, hệ thống gợi ý và dữ liệu tuần tự, với kiến trúc phù hợp cho từng nhiệm vụ.
Bước Tiếp Theo
Để nắm tổng thể, hãy đọc lại trí tuệ nhân tạo là gì và mạng nơ-ron là gì. Sau đó tìm hiểu các kiến trúc cụ thể như mạng nơ-ron tích chập và cơ chế attention, vốn tạo nền cho nhiều mô hình hiện đại.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free