Mạng CNN có những thành phần cơ bản nào?

Trong bài toán hồi quy với đầu ra là giá trị vô hướng (một số thực), hàm kích hoạt ở lớp cuối cùng thường là hàm tuyến tính (None, tức là không có hàm kích hoạt). Hàm mất mát phù hợp nhất là mean squared error (mse), đo lường trung bình bình phương sai số giữa giá trị dự đoán và giá trị thực tế.

Hyperparameter là các tham số được thiết lập trước khi huấn luyện mô hình và ảnh hưởng đến quá trình học.

• Số nút của một lớp ẩn (A) là một hyperparameter, quyết định độ phức tạp của lớp đó.
• Tốc độ học (B) là một hyperparameter, điều chỉnh kích thước bước nhảy trong quá trình tối ưu hóa.
• Số epoch (C) là một hyperparameter, xác định số lần lặp lại toàn bộ tập dữ liệu huấn luyện.

Vì vậy, tất cả các lựa chọn A, B, và C đều là hyperparameter. Do đó, đáp án D là đáp án chính xác, chỉ ra rằng tất cả các lựa chọn trên đều là Hyperparameter.

Đoạn giả mã cho thấy đầu ra ở thời điểm hiện tại (output_t) phụ thuộc vào cả đầu vào hiện tại (input_t) và trạng thái trước đó (t). Giá trị của 't' được cập nhật bằng 'output_t' trong mỗi vòng lặp, cho thấy một cơ chế ghi nhớ trạng thái. Đây là đặc điểm chính của mạng nơ-ron hồi quy (Recurrent Neural Networks - RNN), nơi thông tin từ các bước thời gian trước được duy trì và sử dụng để ảnh hưởng đến các bước thời gian sau. Các mạng Convolutional, ResNet và GoogleNet không có cơ chế ghi nhớ trạng thái theo kiểu này.

AI được sử dụng rộng rãi trong nhiều lĩnh vực, nhưng ngành sản xuất là một trong những lĩnh vực ứng dụng AI phổ biến nhất. AI giúp tự động hóa quy trình, kiểm soát chất lượng, tối ưu hóa chuỗi cung ứng và dự đoán bảo trì, từ đó tăng hiệu quả và giảm chi phí.

Deep learning (học sâu) là một nhánh của machine learning dựa trên kiến trúc mạng neural nhân tạo (artificial neural networks). Mạng neural này có nhiều lớp (deep), cho phép mô hình học các biểu diễn phức tạp của dữ liệu. Các mô hình thống kê, tuyến tính và logic có thể được sử dụng trong machine learning, nhưng deep learning đặc biệt dựa trên mạng neural.