Hiểu và triển khai lý thuyết mạng nơ-ron nhân tạo và kiến trúc DNN, CNN

DNN, CNN, RNN? Khóa học thực hành Deep Learning giúp bạn hệ thống hóa hoàn hảo các thuật toán cốt lõi của Deep Learning, từ những thuật ngữ chuyên môn có vẻ khó nhằn đến việc ứng dụng chúng vào thực tế!

Thông qua bài giảng này, bạn sẽ tìm hiểu lý thuyết cơ bản về học tăng cường.

Đây là khóa học giúp bạn học Deep Learning bằng cách sử dụng Tensorflow. Bạn sẽ học các mô hình hồi quy tuyến tính (Linear Regression), hồi quy logistic (Logistic Regression) và hồi quy softmax (Softmax Regression), sau đó tạo mô hình MLP để phân loại hình ảnh thời trang!

Khóa học này gồm 47 bài, kéo dài khoảng 39 giờ, hướng dẫn xây dựng deep learning từ đầu với PyTorch. Có rất nhiều khóa học deep learning, nhưng phần lớn được chia thành hai kiểu. Một là chỉ lướt qua cách sử dụng thư viện, khiến người học không hiểu tại sao mã nguồn lại được viết như vậy; hai là bắt đầu ngay từ các công thức, khiến người học bỏ cuộc giữa chừng. Khóa học này chọn một trình tự khác. Trước tiên, bạn sẽ tạo ra kết quả, sau đó đào sâu để tìm hiểu bên trong đã xảy ra những gì. Khóa học bắt đầu với các mô hình được huấn luyện trước. Bạn sẽ chạy thử bài toán phân loại ảnh, thực hành inpainting bằng Stable Diffusion và thậm chí tạo chú thích cho ảnh bằng BLIP. Vì có thể tạo ra sản phẩm ngay từ buổi đầu tiên, bạn sẽ có thêm động lực để học phần lý thuyết về sau. Tiếp theo là nội dung cốt lõi của khóa học. Tensor được tìm hiểu trong suốt bảy bài học. Không chỉ có indexing và broadcasting, khóa học còn đi sâu vào cấu trúc bộ nhớ như storage và stride, quản lý tính liên tục của bộ nhớ, phép tính trên GPU cũng như việc chuyển đổi qua lại với NumPy. Rất hiếm có khóa học tiếng Hàn nào đi sâu về tensor đến mức này. Khi hiểu được phần này, bạn sẽ đọc mọi đoạn mã về sau theo một cách hoàn toàn khác. Sau đó, khóa học đề cập đến việc tiền xử lý để chuyển dữ liệu thực tế thành tensor. Bạn sẽ lần lượt tìm hiểu các loại dữ liệu khác nhau, từ các kênh màu của ảnh, dữ liệu dạng bảng và one-hot encoding, đến chuỗi thời gian và embedding văn bản. Tiếp theo, khóa học chuyển sang nguyên lý huấn luyện: trước hết tự triển khai hàm mất mát và gradient descent bằng vi phân số, rồi kiểm tra cách Autograd tự động hóa những việc đó. Chỉ những ai từng tự mình xây dựng mới thực sự hiểu được sự tiện lợi của auto differentiation. Nửa sau của khóa học tập trung vào cấu trúc mạng nơ-ron. Bạn sẽ xây dựng mạng nơ-ron sâu bằng nn.Module và thực hiện phân loại CIFAR-10, từ đó đối mặt với giới hạn của mạng nơ-ron fully connected và tự nhiên đi đến lý do CNN là cần thiết. Cuối cùng, khóa học chuyển sang sinh văn bản, lần lượt tìm hiểu từ mô hình bigram, embedding, mô hình sinh dựa trên MLP cho đến nguyên lý Query·Key·Value của Attention. Nếu bạn biết sử dụng Python và muốn hiểu deep learning một cách bài bản, sau khi hoàn thành khóa học này, thứ còn lại không chỉ là những đoạn mã ví dụ, mà là khả năng nhìn ra cấu trúc của bất kỳ mô hình nào.

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".

Từ perceptron đến lan truyền ngược, bạn sẽ học một cách có hệ thống các lý thuyết toán học cốt lõi của mạng nơ-ron và trực tiếp triển khai chúng bằng mã R. Bạn sẽ củng cố vững chắc nền tảng của học sâu như hàm kích hoạt, phương pháp hạ gradient, mạng nơ-ron nhiều lớp, đồng thời phát triển khả năng giải quyết các bài toán phân loại bằng cách sử dụng các bộ dữ liệu thực tế.

Khi học máy học, bạn học cách nâng cao độ chính xác. Nhưng ngay khoảnh khắc muốn đưa mô hình đó lên một con chip thực tế, vẫn còn những câu hỏi mà không ai nói cho bạn biết. Mô hình này thực hiện bao nhiêu phép nhân? Nó cần ghi nhớ bao nhiêu và những gì? Thông số của con chip đang nhắm tới có đáp ứng được các yêu cầu đó không? Giáo trình máy học nói về độ chính xác, còn giáo trình bán dẫn nói về mạch điện, nhưng tài liệu kết nối hai lĩnh vực này lại rất hiếm. Khi triển khai CPU RISC-V và NPU trên FPGA, tôi đã nhiều lần đối mặt với khoảng cách đó. Đó là tình huống mô hình có độ chính xác cao nhất lại không thể chạy trên bo mạch. Trong khóa học này, bạn sẽ trực tiếp xây dựng sáu thuật toán bằng Python, đồng thời đo số phép nhân, phép so sánh, bộ nhớ và độ chính xác ở mỗi bước. Sau đó, các giá trị này được quy đổi thành tài nguyên trên một bo mạch FPGA thực tế. Chỉ nói “bao nhiêu phép nhân” thì không đủ để hình dung quy mô, nhưng nếu nói “chiếm bao nhiêu phần trăm tài nguyên của bo mạch” thì bạn có thể đưa ra quyết định. Sau khi hoàn thành chín Lab và đưa sáu mô hình vào cùng một bảng, bạn sẽ thấy một bức tranh khác với dự đoán. Chúng ta đã dành chín bài để đếm số phép nhân, nhưng thứ thực sự trở thành nút thắt lại không phải là phép nhân. Sau đó, chúng ta sẽ hạ độ chính xác xuống dạng số nguyên, quản lý số chữ số và xây dựng cả tiêu chí để đánh giá mạch. Bạn không cần có bo mạch FPGA. Khóa học được thực hiện hoàn toàn bằng Python, còn bo mạch chỉ được sử dụng làm 기준 để quy đổi các giá trị đo được.

Đây là khóa học dựa trên <Mô hình ngôn ngữ lớn, nhanh chóng nắm bắt những điểm cốt lõi!> (Insight, 2025), trình bày về lý thuyết và các ví dụ thực tiễn của LLM.

Bạn muốn học AI nhưng lần nào cũng bị khựng lại trước các công thức đại số tuyến tính? Thay vì bắt bạn học thuộc lòng các công thức, khóa học này sẽ giúp bạn tận mắt chứng kiến các vectơ và ma trận thực sự chuyển động như thế nào trong không gian. Sau khi hoàn thành khóa học, bạn có thể tự mình đọc hiểu toán học đằng sau mạng thần kinh, PCA và SVD.

Bạn sẽ được thực hành tạo ứng dụng Android/iOS dựa trên mô hình học máy đơn giản, đồng thời tìm hiểu về các kiến thức cơ bản về học máy, quy trình chuyển đổi mô hình bằng TFLite và cách triển khai ứng dụng Android/iOS.

Đây là khóa học dự án máy học toàn diện, nơi bạn học nhiều dự án hồi quy và phân loại máy học hữu ích khác nhau cùng với lý thuyết sử dụng Python và TensorFlow 2 dựa trên dữ liệu lớn của Boston Marathon.

Từ lý thuyết cốt lõi về Deep Learning và CNN đến các phương pháp triển khai mô hình CNN đa dạng, bí quyết phát triển Deep Learning thực tế thông qua các bài toán thực tế, Nếu bạn muốn trở thành chuyên gia về công nghệ CNN Deep Learning dựa trên Pytorch, hãy tham gia khóa học này :)