Mạng Nơ-ron (Neural Network)

Định nghĩa

Mạng Nơ-ron Nhân tạo (Artificial Neural Network - ANN), hay đơn giản là Mạng Nơ-ron (NN), là một mô hình tính toán lấy cảm hứng từ cấu trúc và chức năng của mạng nơ-ron sinh học trong não người.

Đây là công nghệ cốt lõi đằng sau Deep Learning.

Cấu trúc Cơ bản

Một mạng nơ-ron bao gồm các lớp (layers) chứa các đơn vị xử lý gọi là Nơ-ron (Neurons) (hay nút - nodes):

1. Lớp Đầu vào (Input Layer):

   • Chức năng: Tiếp nhận dữ liệu đầu vào (features). Mỗi nơ-ron tương ứng với một feature.

2. Lớp Ẩn (Hidden Layer(s)):

   • Chức năng: Nằm giữa lớp Input và Output. Đây là nơi diễn ra các phép tính toán phức tạp. Một mạng nơ-ron có thể có một hoặc nhiều lớp ẩn. Deep Learning là khi có nhiều lớp ẩn.
   • Hoạt động: Mỗi nơ-ron trong lớp ẩn nhận tín hiệu từ các nơ-ron ở lớp trước, thực hiện phép tính (thường là tổng có trọng số - weighted sum), sau đó đưa qua một Hàm kích hoạt (Activation Function) để quyết định xem có “kích hoạt” (fire) và truyền tín hiệu đi tiếp hay không.

3. Lớp Đầu ra (Output Layer):

   • Chức năng: Đưa ra kết quả dự đoán cuối cùng của mô hình. Số lượng nơ-ron ở lớp này phụ thuộc vào bài toán (ví dụ: 1 nơ-ron cho Hồi quy (Regression), nhiều nơ-ron cho Phân loại (Classification) đa lớp).

Quá trình Học (Huấn luyện)

Trong quá trình huấn luyện, mạng nơ-ron điều chỉnh các trọng số (weights) kết nối giữa các nơ-ron để giảm thiểu sự khác biệt giữa kết quả dự đoán và “đáp án đúng” (trong Học có giám sát (Supervised)). Quá trình này thường sử dụng thuật toán lan truyền ngược (backpropagation).