Bạn đã bao giờ tự hỏi làm cách nào Google Photos nhận ra khuôn mặt của bạn và xếp các bức ảnh của bạn lại với nhau chưa? Đó là CNN (Mạng thần kinh chuyển đổi) đang phân loại hình ảnh dựa trên các tính năng tương tự. CNN là một loại mạng thần kinh trong lĩnh vực AI cho phép hệ thống máy tính xử lý thông tin hình ảnh với độ chính xác cao. Vì vậy, để tìm hiểu thêm về CNN trong Deep Learning, hãy làm theo lời giải thích của chúng tôi bên dưới.
CNN trong Deep Learning là gì?
CNN hay Mạng thần kinh chuyển đổi là một loại mạng thần kinh đặc biệt trong học sâu được thiết kế để xử lý dữ liệu dạng lưới, đặc biệt là hình ảnh. Mặc dù có nhiều loại mạng thần kinh khác nhau có thể phân tích hình ảnh nhưng chúng gặp khó khăn trong việc nhận dạng các mẫu trong hình ảnh vì chúng coi mỗi pixel là một tính năng độc lập. Về cơ bản, việc hệ thống phân tích từng pixel trở nên quá tải về mặt tính toán.
Mặt khác, CNN có thể nhận dạng các mẫu trong dữ liệu hình ảnh hiệu quả hơn nhiều. CNN trong deep learning hoạt động tương tự như cách con người xử lý hình ảnh hoặc bất kỳ thông tin trực quan nào. Thay vào đó, chúng ta không phân tích từng pixel, bộ não của chúng ta xác định các cạnh, hình dạng, kết cấu và dần dần nhận dạng các vật thể hoàn chỉnh như khuôn mặt, ô tô hoặc động vật.
Về cơ bản, CNN trong học sâu đề cập đến loại mạng lưới thần kinh này tuân theo cách tiếp cận phân cấp trong việc xác định thông tin hình ảnh.
CNN thực sự hoạt động như thế nào?
Mạng thần kinh chuyển đổi (CNN) có kiến trúc phân lớp trong đó mỗi lớp trích xuất các tính năng phức tạp từ một hình ảnh. Trước hết, lớp Convolutional, lớp quan trọng nhất, sử dụng các bộ lọc nhỏ để trượt trên hình ảnh. Nó tìm kiếm các mẫu cụ thể trong hình ảnh. Nó có thể phát hiện các chi tiết cơ bản như đường ngang, đường dọc hoặc cạnh.
Khi mạng đi sâu hơn, các bộ lọc bắt đầu nhận ra các mẫu phức tạp như đường cong và kết cấu. Dần dần, mạng nhận ra toàn bộ đối tượng. Để cho bạn một ví dụ, khi bạn cầm một chiếc kính lúp nhỏ và di chuyển nó qua một bức tranh, bạn nhìn xung quanh để xem xét bức tranh. Tương tự, lớp Convolutional trượt trên hình ảnh và thực hiện các phép toán để tìm xem liệu các tính năng nhất định có xuất hiện hay không.
Bây giờ, các lớp tổng hợp lấy các đặc điểm được trích xuất này và giảm kích thước không gian của dữ liệu. Nó đơn giản có nghĩa là nó chỉ giữ tín hiệu mạnh nhất từ mỗi vùng để mạng có thể xử lý dữ liệu một cách hiệu quả. Giờ đây, các lớp được kết nối đầy đủ trong CNN lấy các đặc điểm được trích xuất này để phân loại hình ảnh.
Nếu CNN được đào tạo để nhận dạng động vật, bạn sẽ nhận được “hình ảnh này có một con chó” dựa trên tất cả các đặc điểm được trích xuất từ các lớp trước đó. Đây là cách AI hoạt động để nhận dạng vật thể trong hình ảnh.
Câu chuyện nguồn gốc của CNN
Sự phát triển đằng sau CNN khá thú vị. Yann LeCun được công nhận rộng rãi là người tạo ra các CNN hiện đại, người đã giới thiệu một mạng có thể nhận dạng các chữ số viết tay vào năm 1989. Tuy nhiên, rất lâu trước năm 1980, nhà khoa học máy tính Nhật Bản Kunihiko Fukushima đã giới thiệu “Neocognitron” đặt nền tảng cho cách các mạng phân lớp có thể xử lý thông tin hình ảnh.
Neocognitron của Fukushima thực sự đã đi trước thời đại và đưa ra nhiều khái niệm quan trọng như phát hiện tính năng phân cấp được sử dụng trong CNN. Tuy nhiên, LeCun đã bổ sung tính năng lan truyền ngược để đào tạo các CNN, cho phép mạng học tự động từ dữ liệu. Theo một cách nào đó, LeCun đã phổ biến việc sử dụng CNN.
Một bước phát triển lớn đã xảy ra vào năm 2012 khi Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton giới thiệu CNN có tên AlexNet, đã giành chiến thắng trong cuộc thi ImageNet với tỷ số cách biệt đáng kể, đánh bại tất cả các phương pháp tiếp cận truyền thống khác. Điều này cho thấy rằng với đủ dữ liệu và sức mạnh tính toán, CNN có thể vượt trội hơn các phương pháp phân tích thị giác truyền thống.
CNN được đào tạo như thế nào?
Để đào tạo CNN, bạn cần một lượng lớn dữ liệu được dán nhãn. Về cơ bản, để phân loại hình ảnh, bạn cần hàng triệu hình ảnh được gắn nhãn mô tả của hình ảnh. Mạng hiện đưa ra dự đoán, so sánh chúng với câu trả lời đúng và điều chỉnh các tham số của nó để cải thiện độ chính xác và hiệu suất. Quá trình này được gọi là lan truyền ngược và được lặp lại hàng triệu lần cho đến khi mạng học cách nhận dạng các mẫu từ hình ảnh.
Tương lai của CNN
Trong khi CNN đã có tác động to lớn trong lĩnh vực Trí tuệ nhân tạo (AI), các công nghệ mới như Vision Transformers (ViT) đang cho thấy hiệu suất và độ chính xác tốt hơn. Về cơ bản, đây là các mô hình dựa trên Transformer, sử dụng chuỗi các bản vá để xử lý hình ảnh thay vì sử dụng các bộ lọc tích chập. Chắc chắn, ViT chính xác và mạnh mẽ hơn nhưng chúng cũng cần nhiều tài nguyên máy tính hơn.
Theo nghĩa đó, CNN hiệu quả hơn và có thể được sử dụng trong các thiết bị biên như điện thoại di động nơi bạn có nguồn lực tính toán hạn chế. Trong mọi trường hợp, CNN đã cải tiến đáng kể lĩnh vực học sâu vì cuối cùng nó đã cho phép các hệ thống máy tính xử lý và hiểu thông tin hình ảnh.