Mạng thần kinh tích chập (CNN) là gì? Cấu trúc và ví dụ dễ hiểu

Updated · By Viviai

Mạng thần kinh tích chập (Convolutional Neural Network, viết tắt là CNN hay ConvNet) là một loại mạng nơ-ron sâu được thiết kế chuyên cho dữ liệu dạng lưới, phổ biến nhất là hình ảnh. Thay vì nối mọi điểm như mạng truyền thống, CNN dựa trên hai nguyên lý là kết nối cục bộ và chia sẻ trọng số, nhờ đó giảm số tham số cần huấn luyện và học được các đặc trưng hình ảnh từ cạnh, kết cấu cho đến khái niệm cao hơn.

Câu trả lời ngắn gọn: CNN làm gì

CNN quét hình ảnh bằng các bộ lọc nhỏ trượt trên toàn bộ bức ảnh để tạo ra các bản đồ đặc trưng, rồi thu gọn dần kích thước không gian bằng lớp gộp, cuối cùng thường kết nối đầy đủ để đưa ra dự đoán. Ba loại lớp chính thường xếp chồng lên nhau:

Lớp tích chập (Convolutional Layer)

Đây là thành phần cốt lõi thực hiện phần tính toán nặng. Một tập hợp các bộ lọc (kernel) kích thước nhỏ, ví dụ 3×3 hoặc 5×5, trượt qua chiều rộng và chiều cao của ảnh. Tại mỗi vị trí, giá trị của bộ lọc nhân với vùng ảnh tương ứng rồi cộng lại thành một điểm trên bản đồ đặc trưng.

Các khái niệm cần biết:

Kết nối cục bộ và chia sẻ trọng số

Khác với mạng kết nối đầy đủ phải trải phẳng ảnh, mỗi nơ-ron trong lớp tích chập chỉ nối với một vùng nhỏ, và cùng một bộ lọc dùng lại trên mọi vị trí. Điều này mang lại hai lợi ích:

  1. số tham số giảm mạnh, hạn chế quá khớp;
  2. đặc trưng học được có tính bất biến tịnh tiến, nghĩa là mô hình bớt phụ thuộc vào vị trí chính xác của đối tượng.

Lớp gộp (Pooling Layer)

Lớp gộp là phép lấy mẫu giảm kích thước, thường đặt sau lớp tích chập. Hai dạng thường gặp:

Lớp gộp giảm số lượng tham số và tính toán, tăng tính bất biến không gian và giúp kiểm soát quá khớp. Vị trí chính xác của một đặc trưng thường ít quan trọng hơn vị trí tương đối của nó so với các đặc trưng khác.

Cấu trúc điển hình của một CNN

Một mạng hình ảnh thường xếp các khối theo trình tự:

  1. đầu vào là ảnh với số kênh màu, ví dụ RGB có ba kênh;
  2. xen kẽ lớp tích chập và lớp gộp để trích đặc trưng ở nhiều cấp;
  3. lớp đầu học cạnh và kết cấu, lớp sâu hơn kết hợp thành bộ phận và đối tượng;
  4. trải phẳng rồi đưa qua lớp kết nối đầy đủ;
  5. đầu ra cho nhãn phân loại hoặc xác suất.

CNN gắn với thị giác máy tính

CNN là nền tảng của nhiều tác vụ trong thị giác máy tính, như phân loại ảnh, phát hiện đối tượng, phân đoạn ngữ nghĩa và phân tích ảnh y tế. Mạng này cùng thuộc họ các mô tả trong mạng nơ-ron nói chung, và bổ sung cho mạng hồi quy khi xử lý dữ liệu không gian thay vì dữ liệu trình tự.

Ưu điểm và hạn chế

Ưu điểm

Hạn chế

Câu hỏi thường gặp

Tại sao CNN phù hợp với hình ảnh hơn mạng thông thường?

Vì các bộ lọc khai thác cấu trúc không gian và dùng lại trọng số trên toàn ảnh, thay vì coi mỗi điểm ảnh là một đầu vào tách rời, nên mô hình nắm được mẫu hình cục bộ với ít tham số hơn.

Bộ lọc học được điều gì?

Các lớp đầu thường nhận ra cạnh và kết cấu đơn giản, còn các lớp sâu kết hợp những đặc trưng đó để nhận dạng bộ phận và đối tượng hoàn chỉnh.

Lớp gộp có vai trò gì?

Lớp gộp giảm kích thước không gian, bớt tính toán và tăng tính bất biến, giúp mô hình ít phụ thuộc hơn vào vị trí chính xác của đặc trưng.

Padding dùng để làm gì?

Padding thêm điểm viền để kiểm soát kích thước đầu ra sau tích chập, thường giúp giữ nguyên kích thước không gian khi cần.

Tóm tắt

Mạng thần kinh tích chập xử lý ảnh bằng các bộ lọc trượt kết nối cục bộ và chia sẻ trọng số, tạo ra bản đồ đặc trưng rồi dùng lớp gộp để thu gọn. Cấu trúc này học đặc trưng phân cấp từ cạnh đến đối tượng và là nền tảng cho nhiều tác vụ thị giác máy tính. Hiểu các lớp tích chập và gộp là bước cơ bản để nắm cách AI nhìn nhận hình ảnh.

Sources

  1. https://vi.wikipedia.org/wiki/M%E1%BA%A1ng_th%E1%BA%A7n_kinh_t%C3%ADch_ch%E1%BA%A5p
  2. https://stanford.edu/~shervine/l/vi/teaching/cs-230/cheatsheet-convolutional-neural-networks/

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free