Gradient Descent
Gradient Descent là một thuật toán tối ưu hóa cơ bản, được sử dụng rộng rãi trong học máy và học sâu để giảm thiểu hàm chi phí hoặc hàm mất mát bằng cách điều c...
7 phút đọc
Machine Learning
Deep Learning
+3
Lan truyền ngược (Backpropagation) là một thuật toán dùng để huấn luyện mạng nơ-ron nhân tạo. Bằng cách điều chỉnh các trọng số nhằm giảm thiểu lỗi trong dự đoán, lan truyền ngược đảm bảo mạng nơ-ron học một cách hiệu quả. Trong mục thuật ngữ này, chúng ta sẽ giải thích lan truyền ngược là gì, nó hoạt động như thế nào và các bước huấn luyện một mạng nơ-ron.
Lan truyền ngược là gì?
Lan truyền ngược, viết tắt của “lan truyền ngược lỗi,” là một thuật toán học có giám sát dùng để huấn luyện mạng nơ-ron nhân tạo. Đây là phương pháp giúp mạng nơ-ron cập nhật trọng số dựa trên tỷ lệ lỗi thu được ở epoch (lượt lặp) trước đó. Mục tiêu là giảm thiểu lỗi cho đến khi dự đoán của mạng đạt độ chính xác tối đa.
Lan truyền ngược hoạt động như thế nào?
Lan truyền ngược hoạt động bằng cách lan truyền lỗi ngược lại qua mạng. Dưới đây là các bước cụ thể:
1. Truyền xuôi
- Lớp đầu vào: Dữ liệu đầu vào được đưa vào mạng.
- Các lớp ẩn: Dữ liệu được xử lý qua một hoặc nhiều lớp ẩn, nơi các nơ-ron áp dụng trọng số và hàm kích hoạt để tạo ra đầu ra trung gian.
- Lớp đầu ra: Đầu ra cuối cùng được tạo ra dựa trên tổng có trọng số của các đầu ra từ lớp ẩn cuối cùng.
2. Tính toán hàm mất mát
- Tính toán lỗi: Kết quả đầu ra của mạng được so sánh với giá trị mục tiêu thực tế để tính toán lỗi (hàm mất mát). Các hàm mất mát phổ biến gồm Sai số bình phương trung bình (MSE) và Cross-Entropy Loss.
3. Truyền ngược
- Tính gradient: Gradient của hàm mất mát được tính toán đối với từng trọng số bằng cách áp dụng quy tắc chuỗi trong vi phân. Bước này liên quan đến việc tính đạo hàm riêng của hàm mất mát theo từng trọng số.
- Cập nhật trọng số: Các trọng số được cập nhật dựa trên gradient vừa tính. Tốc độ học (learning rate), là một siêu tham số, quyết định độ lớn bước cập nhật trọng số. Quy tắc cập nhật thường được viết như sau:
wmới = wcũ – η ∂L/∂w
trong đó η là tốc độ học và ∂L/∂w là gradient của hàm mất mát (L) theo trọng số (w).
4. Lặp lại
- Lặp lại: Các bước từ 1 đến 3 được lặp lại trong số lượng epoch xác định trước hoặc cho đến khi hàm mất mát đạt ngưỡng chấp nhận được.
Sẵn sàng phát triển doanh nghiệp của bạn?
Bắt đầu dùng thử miễn phí ngay hôm nay và xem kết quả trong vài ngày.
Huấn luyện mạng nơ-ron bằng lan truyền ngược
Huấn luyện mạng nơ-ron bao gồm các bước chính sau:
1. Chuẩn bị dữ liệu
- Bộ dữ liệu: Thu thập và tiền xử lý dữ liệu.
- Chuẩn hóa: Chuẩn hóa dữ liệu để đảm bảo tất cả các đặc trưng đầu vào có cùng thang đo.
2. Khởi tạo mô hình
- Kiến trúc: Định nghĩa kiến trúc mạng nơ-ron, gồm số lượng lớp và số lượng nơ-ron mỗi lớp.
- Khởi tạo trọng số: Khởi tạo các trọng số, thường là giá trị ngẫu nhiên nhỏ.
3. Vòng lặp huấn luyện
- Truyền xuôi: Tính toán đầu ra của mạng.
- Tính toán hàm mất mát: Tính toán hàm mất mát giữa đầu ra dự đoán và đầu ra thực tế.
- Truyền ngược: Tính gradient của hàm mất mát theo từng trọng số.
- Cập nhật trọng số: Cập nhật trọng số bằng gradient và tốc độ học.
- Epoch: Lặp lại quá trình trên qua nhiều epoch để tinh chỉnh trọng số.
4. Đánh giá
- Xác thực: Kiểm tra mô hình đã huấn luyện trên một tập dữ liệu xác thực riêng biệt để đánh giá hiệu quả.
- Điều chỉnh: Tinh chỉnh các siêu tham số như tốc độ học, kích thước batch, số lượng epoch dựa trên kết quả xác thực.
Nguyên lý lan truyền ngược
- Quy tắc chuỗi: Nguyên lý toán học cốt lõi cho phép tính toán gradient trong mạng nhiều lớp.
- Gradient Descent: Thuật toán tối ưu hóa được sử dụng để giảm thiểu hàm mất mát.
- Tốc độ học: Siêu tham số kiểm soát mức độ thay đổi của mô hình phản ứng với lỗi ước lượng mỗi lần cập nhật trọng số.
Tham khảo:
