Convolutional Neural Networks (CNN) trong Deep Learning.pdf

Convolutional Neural Networks (CNN) là một trong những kiến trúc mạng nơ-ron nhân tạo đặc biệt, chủ yếu được sử dụng để xử lý dữ liệu hình ảnh, video, và các dạng dữ liệu có cấu trúc không gian như tín hiệu âm thanh và chuỗi dữ liệu. CNN xuất phát từ việc mô phỏng lại cơ chế hoạt động của vỏ não thị giác của con người, nơi các tế bào thần kinh có khả năng phản ứng.

1. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
1

Convolutional Neural Networks (CNN)
trong Deep Learning
Nội dung
 1. Giới thiệu về CNN
 2. Cấu trúc của CNN
o 2.1. Convolutional Layer
o 2.2. Activation Layer
o 2.3. Pooling Layer
o 2.4. Fully Connected Layer
o 2.5. Backpropagation
o 2.6. Triển khai CNN bằng PyTorch
 3. Các khái niệm chính trong CNN
o 3.1. Stride
o 3.2. Padding
o 3.3. Filters (Kernels)
o 3.4. Feature Maps
 4. Quá trình huấn luyện trong CNN
o 4.1. Chuẩn bị dữ liệu
o 4.2. Truyền dữ liệu qua mạng
o 4.3. Tính toán hàm mất mát (Loss function)
o 4.4. Lan truyền ngược (Backpropagation)
o 4.5. Early stopping
 5. Ứng dụng thực tế của CNN
o 5.1. Image Recognition & Classification
o 5.2. Optical Character Recognition – OCR
o 5.3. Image Segmentation
o 5.4. Autonomous Driving
 6. Kết luận
1. Giới thiệu về CNN
Convolutional Neural Networks (CNN) là một trong những kiến trúc mạng
nơ-ron nhân tạo đặc biệt, chủ yếu được sử dụng để xử lý dữ liệu hình ảnh,
video, và các dạng dữ liệu có cấu trúc không gian như tín hiệu âm thanh và
chuỗi dữ liệu. CNN xuất phát từ việc mô phỏng lại cơ chế hoạt động của vỏ
não thị giác của con người, nơi các tế bào thần kinh có khả năng phản ứng
với các kích thích thị giác, từ các đường biên đến các hình dạng phức tạp.
CNN đã có sự phát triển đáng kể trong vài thập kỷ qua, với bước ngoặt là
sự thành công của mô hình LeNet-5 do Yann LeCun giới thiệu vào năm 1998,
được sử dụng cho việc nhận dạng chữ số viết tay. Tuy nhiên, CNN thực sự

2. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
2

trở nên nổi tiếng nhờ mô hình AlexNet, chiến thắng trong cuộc thi ImageNet
Large Scale Visual Recognition Challenge (ILSVRC) vào năm 2012. Sự thành
công của AlexNet mở ra một kỷ nguyên mới cho nghiên cứu trong thị giác
máy tính và học sâu.
2. Cấu trúc của CNN
CNN được xây dựng từ nhiều lớp khác nhau, mỗi lớp thực hiện một nhiệm
vụ cụ thể trong quá trình trích xuất và xử lý đặc trưng từ dữ liệu đầu vào.
Cấu trúc điển hình của CNN bao gồm bốn loại lớp chính: Convolutional
Layer, Activation Layer, Pooling Layer, và Fully Connected Layer. Mỗi lớp
có vai trò cụ thể và cùng nhau tạo thành một mạng CNN mạnh mẽ.

2.1. Convolutional Layer
Lớp tích chập là nền tảng cốt lõi của CNN, chịu trách nhiệm trích xuất các
đặc trưng từ hình ảnh đầu vào. Bộ lọc (filter) sẽ trượt qua ảnh và tính toán
phép tích chập giữa ảnh và bộ lọc đó.
Công thức của phép tích chập hai chiều:
Y[i,j]=∑m∑nX[i+m,j+n]⋅K[m,n]
Trong đó:
 X: Ma trận đầu vào biểu diễn hình ảnh.
 K: Ma trận kernel (bộ lọc).

3. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
3

 Y[i,j]: Giá trị đầu ra tại vị trí (i,j) sau khi thực hiện phép tích chập.
2.2. Activation Layer
Sau khi thực hiện phép tích chập, dữ liệu sẽ đi qua lớp kích hoạt để thêm
tính phi tuyến vào mô hình. Hàm kích hoạt phổ biến nhất là ReLU (Rectified
Linear Unit):
ReLU(x)=max(0,x)
ReLU giúp loại bỏ các giá trị âm trong đầu ra của phép tích chập, giữ lại các
giá trị dương và giúp tăng tốc quá trình huấn luyện.
2.3. Pooling Layer
Lớp gộp có nhiệm vụ giảm kích thước không gian của bản đồ đặc trưng, giúp
giảm số lượng tham số và tính toán trong mạng. Lớp gộp còn làm cho mô
hình bền vững hơn với các phép biến đổi như dịch chuyển hoặc xoay ảnh.
Phổ biến nhất là Max Pooling, với công thức:
Y[i,j]=max(X[i:i+f,j:j+f])
Trong đó f là kích thước của cửa sổ gộp.
2.4. Fully Connected Layer
Sau khi đi qua nhiều lớp tích chập và gộp, các bản đồ đặc trưng sẽ được làm
phẳng thành một vector một chiều và đưa vào các lớp hoàn toàn kết nối.
Lớp này sử dụng hàm kích hoạt softmax cho các bài toán phân loại đa lớp:
softmax(zi)=ezi∑j=1nezj
Trong đó:
 zi: Đầu ra của nơ-ron tại lớp fully connected.
 n: Số lớp phân loại đầu ra.

4. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
4

2.5. Backpropagation
Quá trình huấn luyện CNN sử dụng thuật toán lan truyền ngược để tối ưu
hóa các tham số bằng cách giảm thiểu hàm mất mát (loss function). Hàm mất
mát phổ biến cho bài toán phân loại là cross-entropy:
L=–∑iyilog⁡(yi^)
Trong đó:
 yi: Giá trị thực tế (ground truth) cho lớp i.
 yi^: Xác suất dự đoán của mô hình cho lớp i.
2.6. Triển khai CNN bằng PyTorch
Dưới đây là một ví dụ đơn giản về cấu trúc CNN với PyTorch để phân loại
ảnh MNIST:
import torch
import torch.nn as nn

class SimpleCNN(nn.Module):
def __init__(self):
super(SimpleCNN, self).__init__()
# Lớp tích chập đầu tiên: 1 kênh đầu vào, 32 kênh đầu ra,
kernel size là 3x3
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1,
padding=1)
# Lớp tích chập thứ hai: 32 kênh đầu vào, 64 kênh đầu ra,
kernel size là 3x3
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1,
padding=1)
# Lớp gộp: kernel size là 2x2
self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0)
# Lớp fully connected đầu tiên: từ 64 * 7 * 7 nút tới 128
nút

5. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
5

self.fc1 = nn.Linear(64 * 7 * 7, 128)
# Lớp fully connected thứ hai: từ 128 nút tới 10 nút (ứng
với 10 lớp phân loại cho các chữ số 0-9)
self.fc2 = nn.Linear(128, 10)
# Hàm kích hoạt ReLU
self.relu = nn.ReLU()

def forward(self, x):
# Tích chập với conv1, sau đó là ReLU và Max Poolin g
x = self.pool(self.relu(self.conv1(x)))
# Tích chập với conv2, sau đó là ReLU và Max Poolin g
x = self.pool(self.relu(self.conv2(x)))
# Làm phẳng từ tensor 4 chiều xuống 2 chiều để đưa vào fully
connected layers
x = x.view(-1, 64 * 7 * 7)
# Lớp fully connected đầu tiên với ReLU
x = self.relu(self.fc1(x))
# Lớp fully connected cuối cùng, đầu ra là 10 lớp phân loạ i
x = self.fc2(x)
return x
Giải thích:
 conv1, conv2: Các lớp tích chập để trích xuất đặc trưng.
 pool: Lớp Max Pooling giảm kích thước ảnh.
 fc1, fc2: Các lớp fully connected thực hiện phân loại cuối cùng.
 relu: Hàm kích hoạt ReLU.
Đây là một ví dụ đơn giản về CNN. Các cấu trúc CNN thực tế có thể phức
tạp hơn, bao gồm nhiều tầng tích chập và gộp để trích xuất các đặc trưng
phức tạp từ ảnh.
3. Các khái niệm chính trong CNN
3.1. Stride

6. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
6

Stride là bước nhảy của cửa sổ tích chập khi nó di chuyển qua ảnh đầu vào.
Giá trị stride quyết định tốc độ di chuyển của cửa sổ. Nếu stride bằng 1, cửa
sổ tích chập sẽ di chuyển từng bước một qua các pixel, còn nếu stride bằng
2, cửa sổ sẽ di chuyển cách 2 pixel một lần.

Giá trị stride càng lớn, kích thước của đầu ra sẽ nhỏ hơn vì cửa sổ tích chập
sẽ bỏ qua nhiều pixel hơn. Điều này có thể làm giảm độ phân giải của đầu
ra, nhưng đồng thời giảm thiểu khối lượng tính toán.
3.2. Padding
Padding là kỹ thuật thêm các pixel giả (thường là giá trị 0, gọi là zero
padding) xung quanh biên của ảnh đầu vào. Điều này giúp duy trì kích
thước đầu ra sau khi tích chập.

Trong nhiều trường hợp, người ta thêm padding để kích thước đầu ra của
lớp tích chập không bị giảm. Ví dụ, nếu không có padding, mỗi lần tích chập
có thể làm giảm kích thước không gian của ảnh đầu ra.

7. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
7

3.3. Filters (Kernels)
Filters hay còn gọi là kernels là các ma trận nhỏ được áp dụng lên ảnh đầu
vào trong quá trình tích chập. Các bộ lọc này thực hiện việc quét qua toàn bộ
ảnh đầu vào, tính toán các giá trị mới dựa trên phép nhân tích chập giữa bộ
lọc và các phần tương ứng của ảnh.

Mỗi bộ lọc sẽ phát hiện các đặc trưng cụ thể, chẳng hạn như cạnh, đường nét,
hoặc chi tiết phức tạp hơn ở các lớp sâu. Mỗi lớp tích chập trong mạng CNN
có thể sử dụng nhiều bộ lọc để phát hiện nhiều đặc trưng khác nhau.
3.4. Feature Maps
Feature Maps (Bản đồ đặc trưng) là kết quả đầu ra của một lớp tích chập sau
khi áp dụng các bộ lọc lên ảnh đầu vào. Đây là nơi lưu trữ các đặc trưng đã
được phát hiện bởi các bộ lọc trong quá trình tích chập.
Feature maps thể hiện sự hiện diện của các đặc trưng (như cạnh, góc) trong
một bức ảnh tại các vị trí không gian khác nhau. Các feature maps càng sâu
trong mạng CNN thì chứa các đặc trưng càng phức tạp, trừu tượng hơn.
4. Quá trình huấn luyện trong CNN
Quá trình huấn luyện trong CNN nhằm mục đích tối ưu hóa các tham số
(weights) của các lớp tích chập, giúp mạng có khả năng nhận diện và phân
loại hình ảnh một cách chính xác. Dưới đây là các bước chính trong quá trình
huấn luyện của CNN:
4.1. Chuẩn bị dữ liệu

8. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
8

Trước khi bắt đầu quá trình huấn luyện, dữ liệu cần được chuẩn bị cẩn thận:
Tiền xử lý dữ liệu
Các hình ảnh đầu vào thường cần được điều chỉnh kích thước, chuẩn hóa
giá trị pixel về một khoảng giá trị nhất định (ví dụ: từ 0 đến 1), và đôi khi
được áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation) như
xoay, lật ảnh để tăng tính đa dạng của dữ liệu.
Ví dụ code với pytorch:
# 1. Định nghĩa các phép biến đổi (transform) cho dữ liệ u
transform = transforms.Compose([
transforms.Resize((28, 28)), # Thay đổi kích thước ảnh
về 28x28
transforms.ToTensor(), # Chuyển đổi ảnh thành
tensor
transforms.Normalize((0.1307,), (0.3081,)) # Chuẩn hóa dữ liệu
với giá trị trung bình và độ lệch chuẩn
])

Phân chia dữ liệu
Bộ dữ liệu thường được chia thành 3 phần:
 Dữ liệu huấn luyện (training set): Dùng để huấn luyện mô hình.
 Dữ liệu kiểm định (validation set): Dùng để đánh giá mô hình trong
quá trình huấn luyện nhằm ngăn chặn hiện tượng overfitting.
 Dữ liệu kiểm tra (test set): Dùng để đánh giá mô hình sau khi hoàn
thành huấn luyện.
4.2. Truyền dữ liệu qua mạng
Quá trình huấn luyện bắt đầu bằng cách truyền dữ liệu qua mạng CNN. Các
bước chính bao gồm:

9. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
9

Forward pass
Trong bước này, dữ liệu đầu vào đi qua các lớp của mạng CNN, bắt đầu từ
lớp tích chập, lớp kích hoạt (ReLU), lớp pooling (giảm kích thước), và cuối
cùng là lớp fully connected (kết nối đầy đủ).
 Các lớp tích chập (convolutional layers) thực hiện tích chập với các bộ
lọc (filters) để phát hiện các đặc trưng của ảnh.
 Các lớp pooling giảm kích thước của bản đồ đặc trưng (feature maps),
giúp giảm khối lượng tính toán và trích xuất các đặc trưng chính.
 Cuối cùng, lớp fully connected tạo ra dự đoán (output) về lớp của ảnh.
4.3. Tính toán hàm mất mát (Loss function)
Sau khi nhận được đầu ra từ mạng, một hàm mất mát (loss function) được
sử dụng để đo lường sự khác biệt giữa dự đoán của mạng và giá trị nhãn
thực tế của dữ liệu:
Hàm mất mát phổ biến: Đối với các bài toán phân loại hình ảnh, hàm mất
mát phổ biến nhất là cross-entropy loss, giúp tính toán mức độ sai lệch giữa
xác suất dự đoán của mạng và nhãn thực tế.
Ví dụ code pytorch sử dụng cross-entropy loss:
model = SimpleCNN()
criterion = nn.CrossEntropyLoss() # Hàm mất mát Cross-Entropy
...
...
outputs = model(inputs) # Forward pass
loss = criterion(outputs, labels) # Tính toán hàm mất mát
4.4. Lan truyền ngược (Backpropagation)
Sau khi tính toán hàm m ất mát, quá trình lan truyền ngược
(backpropagation) bắt đầu để cập nhật các tham số (weights) của mạng:
Tính gradient: Quá trình này sử dụng đạo hàm của hàm mất mát với từng
trọng số (weight) của các lớp thông qua quy tắc chuỗi (chain rule). Điều này

10. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
10

cho phép tính toán được gradient, cho biết trọng số nào cần điều chỉnh và
điều chỉnh bao nhiêu.
Cập nhật weights: Các tham số weights của mạng được cập nhật bằng cách
sử dụng thuật toán tối ưu hóa, phổ biến nhất là stochastic gradient descent
(SGD) hoặc các biến thể của nó như Adam. Các tham số này được điều chỉnh
để làm giảm hàm mất mát trong các lần lặp tiếp theo.
4.5. Early stopping
Quá trình trên (forward pass, tính hàm mất mát, backpropagation) diễn ra
trong nhiều lần lặp gọi là epoch:
Trong mỗi epoch, mạng sẽ trải qua toàn bộ dữ liệu huấn luyện. Sau đó, mạng
tiếp tục được đánh giá trên bộ dữ liệu kiểm định (validation set) để theo dõi
độ chính xác và kiểm tra tình trạng overfitting.
Early stopping: Trong quá trình huấn luyện, nếu độ chính xác trên tập kiểm
định bắt đầu giảm mặc dù độ chính xác trên tập huấn luyện tăng, quá trình
huấn luyện có thể được dừng sớm (early stopping) để tránh hiện
tượng overfitting.
5. Ứng dụng thực tế của CNN
Mạng Nơ-ron tích chập (CNN) là một trong những công nghệ quan trọng và
được sử dụng rộng rãi trong nhiều lĩnh vực liên quan đến xử lý hình ảnh và
dữ liệu không gian. Dưới đây là các ứng dụng thực tế phổ biến của CNN:
5.1. Image Recognition & Classification
CNN đã đạt được nhiều thành công vượt trội trong các bài toán nhận diện
và phân loại hình ảnh. Các mô hình CNN có thể phân loại các đối tượng
trong ảnh với độ chính xác rất cao.
Ứng dụng: Phân loại động vật, nhận diện các loại phương tiện giao thông,
phân loại hoa và thực phẩm, v.v.

11. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
11

Ví dụ thực tế: Trong Google Photos, CNN được sử dụng để phân loại hình
ảnh thành các nhóm dựa trên nội dung như con người, phong cảnh, đồ vật.
5.2. Optical Character Recognition – OCR
CNN không chỉ ứng dụng cho hình ảnh mà còn được áp dụng trong xử lý
ngôn ngữ tự nhiên và nhận diện ký tự quang học (OCR), giúp máy tính nhận
diện và chuyển đổi văn bản từ hình ảnh sang dạng văn bản số.
Ứng dụng: Quét và nhận diện văn bản trong các tài liệu giấy, biển báo giao
thông, sách, hoặc hóa đơn.
Ví dụ thực tế: Google Translate sử dụng CNN trong tính năng dịch trực tiếp
từ hình ảnh bằng cách nhận diện văn bản trong ảnh và dịch sang ngôn ngữ
khác.
5.3. Image Segmentation
Phân đoạn ảnh là quá trình chia một bức ảnh thành các phần hoặc đối tượng
khác nhau dựa trên các đặc điểm. CNN giúp phân đoạn các vùng khác nhau
trong ảnh và xác định các đặc trưng riêng biệt của từng vùng.
Ứng dụng: Phân đoạn trong y tế để xác định các tế bào ung thư hoặc các mô
bất thường trong ảnh y khoa, phân đoạn đường trong hình ảnh vệ tinh.
Ví dụ thực tế: Trong y học, CNN giúp phân đoạn các cơ quan nội tạng hoặc
vùng mô ung thư từ các ảnh chụp CT hoặc MRI, hỗ trợ chẩn đoán và phẫu
thuật.
5.4. Autonomous Driving
CNN đóng vai trò quan trọng trong các hệ thống lái xe tự động, giúp xe nhận
diện và phân tích môi trường xung quanh, từ đó đưa ra quyết định về điều
hướng và tránh vật cản.
Ứng dụng: Nhận diện biển báo giao thông, làn đường, người đi bộ, phương
tiện khác và các vật thể nguy hiểm.

12. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
12

Ví dụ thực tế: Xe tự lái của Tesla sử dụng CNN để xử lý thông tin từ camera
và cảm biến, giúp xe di chuyển an toàn trên đường.
5.5. Action Recognition & Video Analysis
CNN cũng được mở rộng sang phân tích video, giúp nhận diện hành động,
phân tích chuyển động và trích xuất thông tin từ các đoạn video.
Ứng dụng: Phân tích chuyển động trong các đoạn video thể thao, nhận diện
các hành động bất thường trong video giám sát.
Ví dụ thực tế: Các hệ thống giám sát an ninh sử dụng CNN để phát hiện
hành vi bất thường hoặc phát hiện sự kiện trong thời gian thực.
6. Kết luận
Convolutional Neural Networks (CNN) là một trong những mô hình quan
trọng và mạnh mẽ nhất trong lĩnh vực Deep Learning, đặc biệt hiệu quả cho
các bài toán xử lý hình ảnh và nhận diện thị giác. CNN tận dụng các lớp tích
chập để tự động trích xuất các đặc trưng từ dữ liệu mà không cần can thiệp
của con người trong việc lựa chọn các đặc trưng phù hợp.
Nhờ vào cấu trúc phân cấp, CNN có thể học từ các đặc trưng cơ bản (như
cạnh, góc) đến các đặc trưng phức tạp hơn (như hình dạng, đối tượng) khi
độ sâu của mạng tăng lên. Các lớp tích chập, lớp gộp, và lớp fully connected
kết hợp với nhau giúp CNN có khả năng xử lý dữ liệu lớn và đạt độ chính
xác cao trong các bài toán phân loại, nhận diện đối tượng, và các nhiệm vụ
khác liên quan đến thị giác máy tính.
Mặc dù có cấu trúc phức tạp và đòi hỏi nhiều tài nguyên tính toán, CNN vẫn
đang được nghiên cứu và cải thiện với các phiên bản tiên tiến hơn như
ResNet, Inception, YOLO, và nhiều hơn nữa, giúp nâng cao hiệu quả và tốc
độ huấn luyện mô hình.

Bài trước
Danh mục
Bài sau

13. https://aicandy.vn/convolutional-neural-networks-cnn-trong-deep-learning/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
13

Chúc bạn thành công trong hành trình khám phá và ứng dụng trí tuệ nhân tạo
vào học tập và công việc. Đừng quên truy cập thường xuyên để cập nhật thêm
kiến thức mới tại AIcandy