17. Mạng trong mạng và tích chập 1x1 - [Convolutional Neural Networks]

Описание: 🌺 Đây là khóa học thứ 4 có tên là Convolutional Neural Networks (Mạng Nơ-ron Tích Chập) trong chuỗi 5 khóa học Deep Learning Specialization của thầy Andrew Ng. Khóa học đỉnh nha...mọi người! Nó vẫn cập nhật các kiến thức hiện đại luôn. Hãy xem vui vẻ và đăng kí kênh nha!!!

🌺 Tóm tắt bài học :
🌸 Video này giới thiệu về phép tích chập (convolution) một nhân một (1x1) và ứng dụng của nó trong thiết kế mạng nơ-ron sâu. Thay vì chỉ là phép nhân đơn giản, tích chập 1x1 trên một khối dữ liệu đa kênh (ví dụ: 6x6x32) hoạt động như một mạng nơ-ron được kết nối đầy đủ (fully connected) trên mỗi "lát cắt" (slice) của khối dữ liệu đó. Nó lấy tích từng phần tử của lát cắt với bộ lọc 1x1, áp dụng hàm phi tuyến (ReLU) và tạo ra một giá trị đầu ra. Nếu sử dụng nhiều bộ lọc 1x1, kết quả là một khối dữ liệu mới có số kênh bằng số bộ lọc. Ý tưởng này, còn được gọi là "mạng trong mạng" (network in network), cho phép thực hiện các phép tính phức tạp, thay đổi số lượng kênh (giảm, giữ nguyên, hoặc tăng) của khối dữ liệu đầu vào, và thêm tính phi tuyến cho mạng. Điều này có thể giúp giảm chi phí tính toán và ảnh hưởng lớn đến các kiến trúc mạng khác, chẳng hạn như mạng Inception.

🌺 Trong khóa học thứ tư của Chuyên ngành Học sâu (Deep Learning Specialization), bạn sẽ hiểu cách thị giác máy tính (computer vision) đã phát triển và làm quen với các ứng dụng thú vị của nó, như xe tự lái, nhận diện khuôn mặt, đọc ảnh X-quang và nhiều ứng dụng khác.
🌸Đến cuối khóa học, bạn sẽ có thể xây dựng một mạng nơ-ron tích chập (CNN), bao gồm các biến thể tiên tiến như mạng dư (residual networks); áp dụng mạng tích chập vào các tác vụ phát hiện và nhận diện hình ảnh; sử dụng chuyển đổi phong cách nơ-ron (neural style transfer) để tạo nghệ thuật và áp dụng các thuật toán này vào nhiều loại dữ liệu hình ảnh, video và dữ liệu 2D hoặc 3D khác.
🌸 Tuần 1: Nền tảng của Mạng Nơ-ron Tích Chập
Triển khai các lớp cơ bản của CNN (tích chập, pooling) và xếp chồng chúng một cách hợp lý trong mạng sâu để giải quyết các bài toán phân loại ảnh đa lớp.
🌸 Tuần 2: Mô hình Tích chập Sâu - Nghiên cứu điển hình
Khám phá các kỹ thuật thực tế và phương pháp từ các bài báo nghiên cứu để áp dụng học chuyển giao (transfer learning) vào CNN sâu của riêng bạn.
🌸 Tuần 3: Nhận diện Đối tượng
Áp dụng kiến thức về CNN vào thị giác máy tính: nhận diện đối tượng và phân đoạn ngữ nghĩa sử dụng tập dữ liệu xe tự lái.
🌸 Tuần 4: Ứng dụng Đặc biệt - Nhận diện Khuôn mặt và Chuyển đổi Phong cách Nơ-ron
🌸 Tìm hiểu cách CNN có thể được áp dụng vào nhiều lĩnh vực, bao gồm tạo nghệ thuật và nhận diện khuôn mặt, đồng thời triển khai thuật toán của riêng bạn để tạo nghệ thuật và nhận diện khuôn mặt.

🌺 Được dịch và lồng tiếng tự động bằng AI do Nam Phạm thực hiện. Mọi thông tin chi tiết xin liên hệ:
🌸 Facebook: https://www.facebook.com/nam.pham.927201/
🌸 Fanpage: https://www.facebook.com/profile.php?id=61...