[AI Thực hành] Hiểu về mô hình Diffusion thông qua việc triển khai bài báo Prompt-to-prompt

Chúng tôi sẽ tổng hợp các khái niệm lý thuyết về MNIST, bộ dữ liệu cơ bản nhất trong thị giác máy tính, đồng thời học cách triển khai thông qua API của Torchvision và cách tự xây dựng một custom dataset class.

Khi nghiên cứu AI hoặc thực hiện một dự án sử dụng nó, việc thực hiện một luận điểm cơ bản là điều cần thiết. Thông qua bài giảng này, hãy nâng cao kỹ năng thực hành của bạn bằng cách triển khai một luận văn thực tế!

Khi học học máy, ta được dạy cách nâng cao độ chính xác. Nhưng đến lúc đưa mô hình lên chip thực tế, lại nảy sinh những câu hỏi mà chẳng ai chỉ bảo. Mô hình này thực hiện bao nhiêu phép nhân? Nó cần lưu trữ những gì và dung lượng bao nhiêu? Thông số kỹ thuật của con chip mục tiêu hiện tại có thể đáp ứng nổi những yêu cầu đó chăng? Giáo trình học máy thì bàn về độ chính xác, còn giáo trình bán dẫn lại nói về mạch điện, nhưng tài liệu kết nối hai lĩnh vực này lại vô cùng khan hiếm. Tôi đã nhiều lần đối mặt với khoảng trống này khi triển khai CPU RISC-V và NPU trên FPGA. Đó là tình cảnh mô hình có độ chính xác cao nhất lại chẳng thể nào nhét vừa vào board mạch. Khóa học này sẽ hướng dẫn bạn tự tay xây dựng sáu thuật toán bằng Python, đồng thời đo lường số phép nhân, phép so sánh, dung lượng bộ nhớ và độ chính xác ở mỗi thuật toán. Sau đó, quy đổi các giá trị này sang tài nguyên thực tế trên board FPGA. Bởi lẽ, nói "bao nhiêu phép nhân" thì khó mà hình dung được quy mô, nhưng nếu nói "chiếm bao nhiêu phần trăm tài nguyên board" thì ta dễ dàng đánh giá được. Trải qua 9 bài Lab và gom sáu mô hình vào chung một bảng, ta sẽ thấy một bức tranh hoàn toàn khác với dự đoán. Đã dành tới 9 bài chỉ để đếm số phép nhân, nhưng thứ thực sự gây trở ngại lại không phải là phép nhân. Tiếp theo, ta sẽ chuyển đổi số thực thành số nguyên, quản lý độ rộng bit, và xây dựng cả bộ tiêu chí để đánh giá mạch. Bạn không cần phải có board FPGA. Khóa học chỉ sử dụng Python, còn board mạch chỉ đóng vai trò làm hệ quy chiếu để quy đổi các giá trị đo lường.

"Bạn vẫn học bằng cách đọc sách lập trình ư?" Khóa học được đánh giá 5.0/5.0 từ sinh viên cao học MBA và sinh viên đại học khoa Quản trị Kinh doanh tại trường Kinh doanh London đương nhiệm. Bạn có thể tham gia khóa học phân tích dữ liệu AI tại nhà. Ngay cả người không chuyên ngành, xuất thân từ khối ngành xã hội cũng có được năng lực thực hành phân tích dữ liệu ứng dụng ngay tại nơi làm việc và cả portfolio phân tích dữ liệu để hoàn thành việc chuẩn bị xin việc. Tôi là một giáo sư người Anh (British Professor), người đang giảng dạy các lớp phân tích dữ liệu và dự án bằng cách sử dụng ChatGPT mà không cần kiến thức về mã hóa.

Xây dựng hệ thống Full-stack không cần lập trình: Tự mình hoàn thiện toàn bộ pipeline từ thu thập dữ liệu, phân tích AI·ML đến bảng điều khiển web chỉ bằng các câu lệnh tiếng Hàn (Vibe Coding). Sở hữu pipeline tự động hóa 100%: Sở hữu công cụ phân tích chứng khoán độc lập, nhận kết quả sàng lọc S&P 500 và ý kiến đầu tư qua Telegram vào mỗi sáng. Tiếp thu khung đầu tư dựa trên dữ liệu thực tế: Biến năng lực phân tích dữ liệu và quản trị rủi ro cấp độ tổ chức thành của riêng bạn dựa trên mã nguồn đang vận hành thực tế.

Khóa học này rèn luyện tư duy thiết kế hệ thống frontend thông qua các trường hợp dịch vụ thực tế như bảng tin Threads, giỏ hàng Amazon, giao diện phát trực tuyến Netflix, chỉnh sửa cộng tác trên Google Docs, Micro Frontend, Agentic UI và Observability.

Một mô hình tạo hình ảnh nóng bỏng! Hãy hiểu bằng cách thực hiện nó từ những điều cơ bản! Hãy cùng nhau triển khai AUTO ENCODER/VAE/GAN/DIFFUSION nhé!

Đừng ngại ngần với team phát triển nữa, giờ tôi sẽ tự làm! Khóa học này giúp những người làm thực tế như hoạch định, marketing, kinh doanh có thể tự mình triển khai các tính năng cốt lõi của dịch vụ web bằng cách sử dụng công cụ AI mà không cần sự trợ giúp của lập trình viên.

Khóa học này là một masterclass thực hành hoàn chỉnh phân tích sâu sự phát triển công nghệ cốt lõi của AI tạo sinh từ LDM(Latent Diffusion Model) đến DiT(Diffusion Transformer). Chúng ta sẽ trực tiếp phân tích nguyên lý học tập dựa trên không gian tiềm ẩn của LDM, cấu trúc của Stable Diffusion, và phương thức triển khai của Diffusion Transformer mới nhất thông qua các bài báo và code. Học viên sẽ trực tiếp triển khai các mô hình LDM, CFG(Classifier-Free Guidance), DiT dựa trên PyTorch, đồng thời học một cách có hệ thống các xu hướng mới nhất và sự tiến hóa cấu trúc của mô hình tạo sinh.

Giờ đây, chúng ta cần vượt qua trình độ người mới để vươn tới tầm vóc của một lập trình viên chuyên nghiệp. Chúng tôi sẽ hé lộ quy trình phát triển game thực tế trong ngành.

Đưa mạng thần kinh lên FPGA — cụm từ này nghe có vẻ quen thuộc, nhưng số người thực sự làm được điều đó lại rất hiếm. Nếu bạn muốn đi trước một bước trong các đồ án tốt nghiệp (Capstone), các cuộc thi hay tác phẩm tốt nghiệp, bạn cần phải vượt xa việc chỉ huấn luyện mô hình; bạn phải có khả năng tự mình tạo ra và chứng minh cách các phép toán đó vận hành bên trong một con chip thực thụ. Khóa học này sẽ giúp bạn lấp đầy khoảng cách đó — khoảng cách giữa lý thuyết và phần cứng thực tế. Bạn sẽ tự tay hoàn thiện từ đầu đến cuối một bộ tăng tốc mạng thần kinh (NPU) nhận dạng chữ số MNIST, từ việc đọc thông số kỹ thuật đến xây dựng mô hình Golden Model bằng Python, thiết kế Verilog RTL và kiểm chứng trên FPGA. Từ lớp Conv được tạo bởi Line Buffer và MAC song song, qua ReLU, MaxPool, Flatten cho đến lớp Fully Connected và Argmax — bạn sẽ tích hợp chín khối chức năng vào một con chip duy nhất và tự mình chứng minh rằng "kết quả từ Python và đầu ra phần cứng không khác nhau dù chỉ một bit (Bit-True)". Khóa học cũng bao gồm cách vượt qua những khoảnh khắc gây ức chế khi mô phỏng chạy bình thường nhưng kết quả lại khác biệt một cách tinh vi. Tôi sẽ chỉ ra từng bí quyết thực tế mà các giáo trình học sâu thông thường không đề cập đến, chẳng hạn như lượng tử hóa số nguyên, chuyển đổi thứ tự trục mảng, hay ngăn chặn tràn bộ tích lũy. Tôi đã đúc kết những kinh nghiệm xương máu từ quá trình thiết kế CPU RISC-V và kiểm chứng Bit-True trên FPGA trong thời gian dài vào khóa học này, để các bạn không phải lặp lại những sai lầm đó. Sau khi kết thúc khóa học, bạn sẽ nắm trong tay một dự án phần cứng hoàn chỉnh mà bạn có thể tự tin nói rằng mình đã "tự tay thiết kế và chứng minh".

Code lộn xộn, yêu cầu dồn dập... Nếu bạn muốn tìm kiếm một bước đột phá bằng AI Cách để trở thành một "lập trình viên làm việc hiệu quả" bằng cách tận dụng AI trong môi trường legacy, được chia sẻ bởi cựu Giám đốc Kỹ thuật của Toss Payments. Ngay cả trong thời đại AI, hệ thống legacy vẫn không hề biến mất. Ngoại trừ những công ty vừa thành lập hôm nay, không quá lời khi nói rằng mọi công ty đều có hệ thống legacy. Vậy chúng ta nên tận dụng AI như thế nào trong thực tế này? Khóa học này sẽ được trực tiếp hướng dẫn bởi cựu Giám đốc Kỹ thuật của Toss Payments - người từng dẫn dắt tổ chức dịch vụ thanh toán quy mô lớn, về cách làm việc hiệu quả với AI trong môi trường legacy. Đây không chỉ đơn thuần là một khóa học dạy cách dùng AI hay kỹ năng lập trình. Mục tiêu của khóa học là giúp bạn rèn luyện "năng lực tư duy" với tư cách là một lập trình viên và thấu hiểu cách để làm việc hiệu quả.

Đã học CNN rồi mà bạn vẫn chưa rõ sao? Tôi sẽ tóm tắt nguyên lý hoạt động cơ bản của CNN, chỉ những điểm chính.

Khóa học này về RAG (Retrieval-Augmented Generation) 👉 Không chỉ dừng lại ở việc giải thích khái niệm 👉 Mà là khóa học tập trung vào thực hành, nơi bạn sẽ trực tiếp xây dựng cấu trúc hoạt động thực tế 👉 Và trải nghiệm quá trình mở rộng, nâng cao hệ thống. Bắt đầu từ những ví dụ RAG đơn giản, bạn sẽ học từng bước từ Advanced RAG → Modular RAG → đến RAG dựa trên Agent để đạt đến cấp độ có thể ứng dụng ngay vào công việc thực tế.

Không cần biết coding. Chỉ học VIBE Coding nửa ngày là làm được phần mềm không cần code. Cùng thực hành 10 ví dụ (Web Scraping, TTS, Chatbot, Game...), nắm AI coding mới nhất.

Chúng tôi đã chuẩn bị nội dung này dành cho những ai muốn đạt được kết quả tối ưu bằng cách sử dụng AI, một yếu tố thiết yếu trong thời đại trí tuệ nhân tạo. Chỉ trong 2 giờ, bạn có thể tìm hiểu kỹ cách ứng dụng AI thông qua lập trình.

Trợ lý Kim, người từng tăng ca mỗi ngày, làm thế nào để trở thành "thần tiên tan làm đúng giờ" chỉ trong 1 giờ? Bí quyết giúp bạn tìm lại "thời gian tan làm" của chính mình Thức trắng đêm vì một công thức Excel bị lỗi, hay cả bản báo cáo rối tung lên chỉ vì một lỗi đánh máy, chắc hẳn dân công sở nào cũng đã từng trải qua ít nhất một lần đúng không? Khóa học này được thiết kế để chấm dứt những "nỗi đau lặp đi lặp lại" đó. Bạn không cần phải học thuộc lòng các cú pháp lập trình phức tạp. Chúng ta sẽ sử dụng Cursor AI - một công cụ tích hợp trí tuệ nhân tạo giúp viết code chỉ bằng các câu lệnh văn bản, và Streamlit - nền tảng giúp bất kỳ ai cũng có thể tạo website một cách dễ dàng. Tôi đã đưa vào đây toàn bộ quá trình giải quyết những "điểm nhức nhối" trong thực tế mà chính mình từng trải qua (như gộp file theo từng chi nhánh, tự động phân loại đối tượng sửa chữa, tạo hàng loạt chứng nhận PDF...) bằng cách "trò chuyện bằng lời" mà không cần tự tay viết một dòng mã Python nào. Sau khi hoàn thành khóa học này, bạn sẽ không còn là một nhân viên văn phòng đơn thuần, mà sẽ trở thành một "chuyên gia chuyển đổi số", người mang lại đột phá về hiệu suất công việc cho cả đội ngũ.

Giải quyết ngay điểm nghẽn khiến 80% thất bại tại Makerthon. Hoàn thành trong 4 tuần: Raspberry Pi · Computer Vision · LLM · Thiết kế 3D! Đạt thứ hạng cao tại Makerthon với PoC gương thông minh có thể trình diễn!

Nắm bắt các khái niệm cơ bản và xu hướng mới nhất của big data, thông qua hiểu biết kỹ thuật về các phương pháp phân tích big data để trích xuất các mẫu dữ liệu và đề xuất cách thức ứng dụng vào kinh doanh. Thông qua big data có thể tạo ra các mô hình kinh doanh mới và phát triển khả năng thông thái về môi trường kinh doanh trong tương lai.

Với lộ trình học tập bài bản gồm 40 bài giảng, bạn sẽ được học từ lý thuyết cơ bản về AI đến các kỹ thuật AI ứng dụng của từng thuật toán. Thông qua việc học và thực hành thuật toán bằng ngôn ngữ R cùng tư duy toán học trực quan, bạn sẽ trang bị được năng lực phát triển mô hình AI có thể áp dụng ngay vào thực tế, từ việc xây dựng và lựa chọn sử dụng các mô hình thuật toán cho phân tích dữ liệu, học máy (machine learning) và các công cụ ứng dụng liên quan.