(LUẬN văn THẠC sĩ) mô hình học sâu và ứng dụng cho bài toán nhận dạng hình ảnh trong thương mại điện tử

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - BÙI VIỆT ANH MƠ HÌNH HỌC SÂU VÀ ỨNG DỤNG CHO BÀI TỐN NHẬN DẠNG HÌNH ẢNH TRONG THƯƠNG MẠI ĐIỆN TỬ LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI - 2022 HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG - BÙI VIỆT ANH LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Mơ hình học sâu ứng dụng cho tốn nhận dạng hình ảnh thương mại điện tử” cơng trình nghiên cứu hướng dẫn giảng viên hướng dẫn, không chép lại người khác Các tài liệu luận văn tham khảo, kế thừa trích dẫn liệt kê danh mục tài liệu tham khảo Tơi xin chịu hồn tồn trách nhiệm lời cam đoan nêu Hà Nội, ngày tháng Học viên Bùi Việt Anh năm 2022 LỜI CẢM ƠN Đầu tiên em xin cảm ơn đến thầy cô giảng viên Học viện Cơng nghệ Bưu Viễn thông truyền đạt cho em bao kiến thức vô quý báu cần thiết thời gian học tập trường Những tri thức tảng vững cho phát triển em sau Xin kính chúc thầy có nhiều sức khỏe thành công nghiệp trồng người Em xin gửi lời cảm ơn Tiến sĩ Nguyễn Văn Thủy, giảng viên tận tình hướng dẫn em suốt q trình nghiên cứu để hồn thành đồ án Nhờ hướng dẫn bảo tận tình thầy, em có thêm nhiều kiến thức trí tuệ nhân tạo, học máy xử lý ảnh Vốn kiến thức quý giá vô quan trọng cho định hướng em tương lai Qua năm tháng học tập trường, em gặp khó khăn thật may mắn gia đình thầy cô, bạn bè bên động viên giúp đỡ Em xin gửi lời cảm ơn tới tất người Em xin chân thành cảm ơn ! MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC TỪ VIẾT TẮT .vi DANH MỤC BẢNH BIỂU/HÌNH VẼ viii MỞ ĐẦU 1 Lý chọn đề tài Tổng quan vấn đề nghiên cứu Mục đích nghiên cứu .2 Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu .3 CHƯƠNG I: TỔNG QUAN VỀ THƯƠNG MẠI ĐIỆN TỬ .4 1.1 Giới thiệu thương mại điện tử 1.1.1 Lịch sử phát triển .4 1.1.2 Khái niệm 1.1.3 Cách thức hoạt động 1.1.4 Các hình thức 1.1.5 Đặc trưng 1.1.6 Ưu nhược điểm thương mại điện tử 10 1.1.7 Lợi ích thương mại điện tử đến doanh nghiệp 12 1.2 Thực trạng thương mại điện tử giới Việt Nam 13 1.2.1 Thương mại điện tử toàn cầu 13 1.2.2 Thực trạng phát triển thương mại điện tử Việt Nam 15 1.3 Hạ tầng thương mại điện tử Việt Nam 17 1.3.1 Cơ sở hạ tầng pháp lý .17 1.3.2 Cơ sở hạ tầng kỹ thuật 18 1.3.3 Cơ sở hạ tầng toán 19 1.3.4 Bảo mật thương mại điện tử 21 1.4 Ứng dụng mô hình học sâu vào tốn nhận dạng hình ảnh thương mại điện tử .22 1.5 Kết luận chương I 23 CHƯƠNG II: GIỚI THIỆU VÀ NGHIÊN CỨU CNN 24 2.1 Khát quát toán nhận diện hình ảnh CNN 24 2.1.1 Bài tốn nhận diện hình ảnh 24 2.1.2 Học máy, học sâu CNN .25 2.2 Một số nghiên cứu có liên quan 36 2.2.1 Quá trình phát triển kiến trúc CNN 36 2.2.2 Các mạng CNN tiêu biểu 37 2.3 Học chuyển giao 41 2.4 Mơ hình kiến trúc ResNet áp dụng vào toán phân loại ảnh .42 2.4.1 Giới thiệu ResNet .42 2.4.2 Batch Normalization .43 2.4.3 Kết nối tắt (Skip Connection) 43 2.4.4 Mơ hình ResNet50 áp dụng vào toán 45 2.5 Kết luận chương II .48 CHƯƠNG III: THỰC NGHIỆM, ĐÁNH GIÁ VÀ XÂY DỰNG HỆ THỐNG NHẬN DẠNG HÌNH ẢNH TRONG 49 THƯƠNG MẠI ĐIỆN TỬ 49 3.1 Dữ liệu thử nghiệm 49 3.2 Tiến hành thực nghiệm kết .50 3.2.1 Tiến hành thực nghiệm 50 3.2.2 Kết thực nghiệm .53 3.3 Đánh giá kết 58 3.3.1 Đánh giá độ Accuracy 58 3.3.2 Đánh giá Confusion matrix 59 3.2.2 Đánh giá Precision, Recall, F1-Score 60 3.4 Áp dụng xây dựng hệ thống 63 3.4.1 Xây dựng web nhận dạng sản phẩm 63 3.4.2 Tạo web với Plask 63 3.4.3 Trang web phân loại sản phẩm thương mại điện tử .64 3.4.4 Trang web nhận dạng sản phẩm thương mại điện tử .66 3.5 Kết luận chương III 68 KẾT LUẬN 69 Kết đạt được: 69 Hướng nghiên cứu tiếp theo: .69 DANH MỤC TỪ VIẾT TẮT Từ viết tắt API Viết đầy đủ Giải nghĩa Application Programming Giao diện lập trình ứng dụng B2A B2B B2C C2A C2B C2C CNN Interface Business To Goverment Business To Business Business To Consumer Consumer To Goverment Consumer To Business Consumer To Consumer Convolutional Neural ConvNet Network Convolutional DL E – Commerce EDI Network Deep Learning Học sâu Electronic commerce Thương mại điện tử Electronic Data Trao đổi liệu điện tử ELU FC HTTPS Interchange Exponential Linear Unit Đơn vị tuyến tính lũy thừa Fully connected Kết nối đầy đủ Hypertext Transfer Giao thức truyền siêu văn an IDE Protocol Secure toàn Integrated Development Mơi trường phát triển tích hợp KNN ML NN ReLU SSL SVM TMĐT VTO WSGI Environment K-nearest Neighbor Machine Learning Neural network Rectified Linear Unit Secure Sockets Layer Support vector machine Thương mại điện tử World Trade Organization Web Server Gateway Interface Doanh nghiệp với Chính phủ Doanh nghiệp với doanh nghiệp Doanh nghiệp với Khách hàng Khách hàng với Chính Phủ Khách hàng với Doanh nghiệp Khách hàng với Khách hàng Mạng nơ ron tích chập Neural Mạng nơ ron tích chập K láng giềng Học máy Mạng nơ ron nhân tạo Đơn vị tuyến tính sửa chữa Bảo mật tầng giao vận Máy vectơ hỗ trợ Thương mại điện tử Tổ chức thương mại giới Giao diện cổng máy chủ Web DANH MỤC BẢNH BIỂU/HÌNH VẼ Bảng 3.1 Chi tiết tập liệu thực nghiệm Hình 1.1 Đặc trưng Thương mại điện tử Hình 1.2 Bốn hình thức tốn điện tử phổ biến Việt Nam 20 Hình 2.1 Minh họa hệ thống phân loại chó mèo .24 Hình 2.2 Sơ đồ phân nhóm thuật toán Machine learning 26 Hình 2.3 Mơ hình hồi quy Logic 28 Hình 2.4 Mơ hình mạng neural network 29 Hình 2.5 Mơ tả lấy chập dùng lọc kích thước 5x5 31 Hình 2.6 Mơ tả chi tiết lấy chập dùng lọc kích thước 5x5 32 Hình 2.7 Mơ tả bước lấy chập mạng nơron dùng lọc kích thước 5×5 .32 Hình 2.8 Ví dụ sử dụng max-pooling 34 Hình 2.9 Mơ tả cách thực max-pooling với padding .35 Hình 2.10 Mơ hình mạng neural tích chập 36 Hình 2.11 Kiến trúc LeNet 38 Hình 2.12 Hàm ReLu 39 Hình 2.13 Minh họa phương pháp dropout 39 Hình 2.14 Kiến trúc mạng AlexNet .40 Hình 2.15 Kiến trúc VGG-16 .41 Hình 2.16 Khối ResNet thơng thường khối ResNet với tầng tích chập 1x1 .44 Hình 2.17 Khối xác định (Identity block) 44 Hình 2.18 Sự khác biệt khối thông thường (trái) khối xác định(phải) 45 Hình 2.19 Kết nối tắt qua lớp RestNet50 so với lớp RestNet34 46 Hình 2.20 Kiến trúc tóm tắt mạng ResNet50 46 Hình 2.21 Kiến trúc chi tiết RestNet50 46 Hình 3.1 Cây thư mục tập liệu thực nghiệm 50 Hình 3.2 Các ảnh mặt hàng "Chảo" tập liệu .50 Hình 3.3 Tổng quan mơ hình ResNet50 sử dụng 51 Hình 3.4 Model Checkpoint 52 Hình 3.5 Các epochs trình đào tạo mơ hình 53 Hình 3.6 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ điện tử .54 Hình 3.7 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ điện tử 55 Hình 3.8 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ điện tử .55 Hình 3.9 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng 56 Hình 3.10 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng 56 Hình 3.11 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng 57 Hình 3.12 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm thời trang 57 Hình 3.13 Độ xác Accuracy tập kiểm thử .58 Hình 3.14 Biểu đồ đường độ xác accrancy qua epochs 59 Hình 3.15 Confusion matrix mơ hình tập test 60 Hình 3.16 Precision, Recall, F1-Score mơ hình tập test 62 Hình 3.17 Cách Flask Framework hoạt động 64 Hình 3.18 File giao diện index.html Web nhận dạng sản phẩm TMĐT 65 Hình 3.19 API RESTful GET POST Flask Web nhận dạng sản phẩm thương mại điện tử 65 Hình 3.20 Trang giao diện web nhận dạng sản phẩm TMĐT 66 Hình 3.21 Cửa sổ chọn file ảnh truy vấn thư mục máy tính 67 Hình 3.22 Web hiển thị ảnh sản phẩm kết nhận dạng 67 Hình 3.23 Một kết nhận dạng sản phấm khác web 68 Hình 3.9 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng Với ảnh chảo bị lật úp bên dưới, mơ hình cho kết xác Hình 3.10 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng Ảnh loại mặt hàng khác quạt (treefan) nhận dạng mơ hình: Hình 3.11 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm đồ gia dụng  Kết dự đoán số hình ảnh mặt hàng thuộc loại sản phẩm đồ thời trang: Ảnh loại mặt hàng thời trang mũ lưỡi trai (cap) nhận dạng mô hình: Hình 3.12 Kết nhận dạng ảnh mặt hàng thuộc loại sản phẩm thời trang 3.3 Đánh giá kết 3.3.1 Đánh giá độ Accuracy Có nhiều phương pháp để đánh giá kết mơ hình phương pháp sử dụng nhiều phổ biến rộng rãi tính độ xác Accuracy Chúng ta đánh giá kết thực nghiệm nhận dạng sản phẩm thương mại điện tử mô hình RestNet50 với pretrained imagenet độ đánh giá Accuracy Độ xác Accuracy phân loại số liệu tóm tắt hiệu suất mơ hình phân loại dạng số dự đoán chia cho tổng số dự đoán Sử dụng hàm evaluate() framework Tensorflow để đánh giá kết model tập test Ta thấy độ xác mơ hình tập test 74.36% Đây xem kết tốt cho mơ hình dự đốn với số lượng lớp nhiều lượng liệu tập liệu ảnh thực nghiệm Hình 3.13 Độ xác Accuracy tập kiểm thử Nhìn vào hình 3.5 phần trước, ta thấy sau epochs thường độ xác accruracy mơ hình tập train tập test có xu hướng tăng dần Điều có nghĩa sau lần học, mơ hình đào tạo chạy qua lần tập liệu xác hơn, mơ hình trở lên thơng minh Nhìn vào hình 38 vẽ biểu đồ đường training accuracy test accuracy, lúc đầu độ xác tăng lên nhanh sau chậm Và qua 100 epochs chúng tạo thành đường cong Hình 3.14 Biểu đồ đường độ xác accrancy qua epochs 3.3.2 Đánh giá Confusion matrix Cách tính sử dụng accuracy cho biết phần trăm lượng liệu phân loại mà không cụ thể loại phân loại nào, lớp phân loại nhiều nhất, liệu thuộc lớp thường bị phân loại nhầm vào lớp khác Để đánh giá giá trị này, sử dụng ma trận gọi confusion matrix Về bản, confusion matrix thể có điểm liệu thực thuộc vào class, dự đoán rơi vào class Nó ma trận vng với kích thước chiều số lượng lớp liệu Giá trị hàng thứ i, cột thứ j số lượng điểm lẽ thuộc vào class i lại dự đoán thuộc vào class j Chúng ta suy tổng phần tử tồn ma trận số điểm tập kiểm thử Các phần tử đường chéo ma trận số điểm phân loại lớp liệu Từ suy accuracy tổng phần tử đường chéo chia cho tổng phần tử toàn ma trận Dưới confusion matrix mơ hình nhận dạng sản phẩm thương mại điện tử tập test: Hình 3.15 Confusion matrix mơ hình tập test Nhìn vào confusion matrix thấy sản phẩm nhận dạng xác nhất, nhận dạng xác nhất, sản phẩm hay bị nhận dạng nhầm thành sản phẩm Nhận xét:  Sản phẩm nhận dạng tốt Balo với 24/30 hình ảnh Balo nhận dạng xác  Sản phẩm bị nhận dạng Bowl với 2/26 hình ảnh Bowl nhận dạng xác Lớp Bowl hay bị nhận nhầm thành T-shirt (9/26)  Một số sản phẩm khác cho kết nhận dạng tốt, bị nhầm thành sản phẩm khác T-shirt, Pan, Smartphone, Smartwatch, Water_mains  Các hình ảnh sản phẩm nhận dạng sai hay bị nhận nhầm thành hai mặt hàng T-shirt Laptop 3.2.2 Đánh giá Precision, Recall, F1-Score Precision định nghĩa tỉ lệ số điểm Positive mơ hình dự đốn tổng số điểm mơ hình dự đốn Positive Precision = (8) Recall định nghĩa tỉ lệ số điểm Positive mơ hình dự đốn tổng số điểm thật Positive (hay tổng số điểm gán nhãn Positive ban đầu) Recall = (9) Precision cao, tức số điểm mơ hình dự đốn positive positive nhiều Precision = 1, tức tất số điểm mơ hình dự dốn Positive đúng, hay khơng có điểm có nhãn Negative mà mơ hình dự đốn nhầm Positive Recall cao, tức số điểm positive bị bỏ sót Recall = 1, tức tất số điểm có nhãn Positive mơ hình nhận Tuy nhiên, có Precision hay có Recall khơng đánh giá chất lượng mơ hình  Chỉ dùng Precision, mơ hình đưa dự đốn cho điểm mà chắn Khi Precision = 1, nhiên ta khơng thể nói mơ hình tốt  Chỉ dùng Recall, mơ hình dự đốn tất điểm positive Khi Recall = 1, nhiên ta khơng thể nói mơ hình tốt Khi F1-score sử dụng F1-score trung bình điều hòa (harmonic mean) Precision Recall (giả sử hai đại lượng khác 0) F1-score tinh theo công thức: (10) Đối với toán phân lớp nhiều lớp nhận dạng sản phẩm thương mại điện tử, ta xem lớp Positive, lớp cịn lại Negative Khi đó, ta có hai cách tính F1-score: Macro F1-score Micro F1-score Macro F1-score tính cơng thức với Macro-Precision MacroRecall trung bình cộng Precision Recall theo lớp: (11) Micro F1-score tính cơng thức với Micro-Precision tỉ lệ tổng số điểm toàn điểm Positive thuộc lớp tổng số điểm mơ hình dự đốn Positive thuộc lớp Micro-Recall tính cách tương tự (12) Micro-Precision = Micro-Recall = (13) (14) Với , TP, FP, FN class c tất C class Sử dụng hàm classification_report() đánh giá mơ hình tập test ta thấy thông số phân loại Precision, Recall F1-Score sản phẩm Macro-F1 Score, Micro-F1 Score chung 10 sản phẩm Trong classification_report() Micro-F1 Score ghi acurancy Hình 3.16 Precision, Recall, F1-Score mơ hình tập test Nhận xét:  Sản phẩm có F1-Score cao Treefan 0.78 với Precision 0.8 Recall 0.76  Sản phẩm có F1-Score thấp Bowl 0.14 với Precision Recall 0.08, chênh lệch lớn Nhìn vào số thấy ảnh Bowl thật bị nhận nhầm thành ảnh khác nhiều Tuy nhiên Precision = cho thấy ảnh nhận dạng Bowl chắn  Sản phẩm có Recall cao Balo với 0.8, cao Có ảnh Balo bị bỏ sót nhận nhầm thành ảnh nhãn khác  Có 4/10 sản phẩm có F1 Score >0.6 5/10 sản phẩm F1-Score > 0.5  Macro Precision = 0.6 cho toàn 10 sản phẩm Macro Precision = 0.51, ta Macro-F1 Score 0.5  Macro-F1 Score tồn 10 sản phẩm 0.52  Nhìn chung, mơ hình cho số ổn 3.4 Áp dụng xây dựng hệ thống 3.4.1 Xây dựng web nhận dạng sản phẩm Với phát triển cơng nghệ, phổ biến mạng internet trang web thật tiện lợi Ta truy cập trang web sử dụng tiện ích cách đơn giản cần thiết bị có trình duyệt web có kết nối internet máy tính để bàn, laptop, smartphone…Vậy nên xây dựng hệ thống nhận dạng sản phẩm dạng web điều thật tiện ích hiệu cho người dùng Từ mơ hình ResNet50 đào tạo trên, ta xây dựng trang web nhận dạng hình ảnh sản phẩm thương mại điện tử Công nghệ để xây dựng ứng dụng website sử dụng framework Flask Ngơn ngữ lập trình Python dùng IDE Visual Studio Code để chạy ứng dụng 3.4.2 Tạo web với Plask Flask Web Framework nhẹ Python, dễ dàng giúp người bắt đầu học Python tạo website nhỏ Flask dễ mở rộng để xây dựng ứng dụng web phức tạp Flask có tảng Werkzeg WSGI Jinja2 trở thành Web Framework phổ biến Python Giao diện cổng máy chủ web (Web Server Gateway Interface, WSGI) sử dụng tiêu chuẩn để phát triển ứng dụng web Python WSGI đặc điểm kỹ thuật giao diện chung máy chủ web ứng dụng web Werkzeug công cụ WSGI thực yêu cầu, đối tượng phản hồi chức tiện ích Điều cho phép khung web xây dựng Khung cơng tác Flask sử dụng Werkzeg làm sở Jinja2 cơng cụ mẫu phổ biến cho Python hệ thống mẫu web kết hợp mẫu với nguồn liệu cụ thể để hiển thị trang web động Flask Framework lưu trữ giúp lập trình viên tạo trang web dễ dàng hơn, mở rộng, hiệu bảo trì cách cung cấp code tiện ích mở rộng sử dụng lại cho nhiệm vụ phổ biến Hình 3.17 Cách Flask Framework hoạt động Flask thường coi microframework Nó thiết kế để giữ cho cốt lõi ứng dụng đơn giản mở rộng.Thay lớp trừu tượng để hỗ trợ sở liệu, Flask hỗ trợ phần mở rộng để thêm khả vào ứng dụng Như nêu trước đó, Flask phân loại Web Framework siêu nhỏ, nhẹ Thông thường, framework vi mô framework tối giản không phụ thuộc vào thư viện bên ngồi Nó có nhiều ưu điểm: tốc độ, hỗ trợ cho NoQuery, độ phức tạp tối thiểu, tối giản tuyệt đối, khơng có ORM, dễ dàng kết nối với tiện ích mở rộng, trình gỡ lỗi nhúng trình duyệt, mã ngắn đơn giản số framework Python khác… 3.4.3 Trang web phân loại sản phẩm thương mại điện tử Trong trang web phân loại sản phẩm thương mại điện tử sử dụng chủ yếu API RESTful GET POST frame work Flask Mục đích để POST ảnh truy vấn GET ảnh kết tìm kiếm thơng số liên quan Hình 3.18 File giao diện index.html Web nhận dạng sản phẩm TMĐT Hình 3.19 API RESTful GET POST Flask Web nhận dạng sản phẩm thương mại điện tử 3.4.4 Trang web nhận dạng sản phẩm thương mại điện tử Sau có giao diện hồn chỉnh, kết hợp với mơ hình ResNet50 đào tạo Ta website nhận dạng sản phẩm thương mại điện tử có chức nhận diện phân loại ảnh sản phẩm thương mại điện tử mà người dùng tải ảnh lên Giao diện trang web có nút “Chọn tệp” để upload file ảnh nút “Nhận dạng” để nhận dạng sản phẩm Khi người dùng muốn nhận dạng hình ảnh:  Đầu tiên click nút “Chọn tệp” để tải ảnh truy vấn  Hệ thống mở cửa sổ chọn file ảnh thư mục máy tính  Người dùng chọn ảnh thư mục máy tính họ tải lên  Sau ảnh truy vấn tải lên thành công, người dùng click vào nút “Nhận dạng”  Hệ thống thực phân loại hình ảnh sản phẩm Trả kết tên sản phẩm loại sản phẩm thương mại điện tử Dưới giao diện bắt đầu trang web nhận dạng sản phẩm thương mại điện tử Trang web có giao diện đơn giản bố cục, dễ sử dụng cho tất người Hình 3.20 Trang giao diện web nhận dạng sản phẩm TMĐT Hình 3.21 Cửa sổ chọn file ảnh truy vấn thư mục máy tính Hình 3.22 Web hiển thị ảnh sản phẩm kết nhận dạng Hình 3.23 Một kết nhận dạng sản phấm khác web 3.5 Kết luận chương III Trong chương này, luận văn tiến hành thực nghiệm mơ hình Res0Net50 với tập liệu hình ảnh sản phẩm thương mại điện tử Tập liệu ảnh sản phẩm thương mại điện tử với loại sản phẩm: đồ điện tử, đồ gia dụng, đồ thời trang Tiến hành đào tạo cho mơ hình ResNet50 sử dụng framework Tensorflow Đánh giá mơ hình dựa độ xác Accuracy Mơ hình ResNet50 sau đào tạo cho độ xác 74.36% tập kiểm thử Luận văn trình bày framework để lập trình web Flask Đồng thời ứng dụng framework xây dựng trang web nhận dạng hình ảnh sản phẩm thương mại điện tử sử dụng mơ hình học sâu ResNet50 huấn luyện Khi ảnh sản phẩm người dùng tải lên trang web trang web hiển thị kết nhận dạng sản phẩm loại sản phẩm thương mại điện tử KẾT LUẬN Kết đạt được:  Luận trình bày chi tiết mặt khái niệm, hình thức, đặc trưng thương mại điện tử ưu nhược điểm tác động đến doanh nghiệp  Luận văn nêu thực trạng thương mại điện tử nước ta giới  Trình bày hạ tầng thương mại điện tử nước ta bao gồm về: pháp lý, kỹ thuật, toán bảo mật  Luận văn nêu khát quát tốn nhận dạng hình ảnh  Nêu khái niệm học máy loại thuật toán học máy viết chi tiết học sâu  Trình cụ thể mạng nơ ron tích chập CNN thành phần cụ thể mạng Nêu trình phát triển mạng CNN trình bày kiến trúc số mạng tiêu biểu Trình bày học chuyển giao giúp tăng hiệu cho mơ hình học sâu  Luận văn viết cụ thể kiến trúc mạng sử dụng phổ biến rộng rãi ResNet  Trình bày kiến trúc mạng ResNet50 kết hợp học chuyển giao sử dụng pretrained model ResNet50 ImageNet dataset để phân loại hình ảnh  Tiến hành đào tạo cho mơ hình ResNet50 sử dụng framework Tensorflow Mơ hình ResNet50 sau đào tạo cho độ xác 74.36% tập kiểm thử  Xây dựng trang web nhận diện sản phẩm thương mại điện tử sử dụng mơ hình ResNet50 huấn luyện với tập thử nghiệm Hướng nghiên cứu tiếp theo:  Với kết trên, hướng nghiên cứu nghiên cứu sâu mô hình học sâu nhận dạng ảnh kiểu mới, cho kết xác Ứng dụng nhận dạng hình ảnh nhiều để thêm tính hệ thống thương mại điện tử TÀI LIỆU THAM KHẢO Tiếng Việt: [1] Vũ Hữu Tiệp, “K-means Clustering”, Machine learning bản: https://machinelearningcoban.com/2017/01/01/kmeans/, Jan 2107 [2] Nguyễn Thanh Tuấn, “Sách Deep Learning Cơ Bản”, Aug 2020 [3] Phạm Đình Khánh, “Các kiến trúc CNN đại”, https://phamdinhkhanh.github.io/2020/05/31/CNNHistory.html,31 May 2020 Tiếng Anh: [1] Wesley Chai “Definition E-Commerce”, Techtarget, https://www.techtarget.com/searchcio/definition/e-commerce, December, 2020 [2] Michael Keenan “Global Ecommerce Explained: Stats and Trends to Watch in 2022”, Shopify Plus, https://www.shopify.com/enterprise/global-ecommercestatistics, Feb 16, 2022 [3] Kirti Solanki, “E-Commerce Definition, Types, Features, Advantages & Disadvantages”, Top4u, https://www.toppers4u.com/2021/01/e-commerce-typesfeatures-advantages.html, January 20, 2021 [4] Aakash Kaushik, Opengenus , “Understanding ResNet50 architecture”, https://iq.opengenus.org/resnet50-architecture/ [5] Nachi Hebbar, Neural Networks ,“Transfer Learning With Keras(Resnet-50)”, https://chroniclesofai.com/transfer-learning-with-keras-resnet-50/, Jul 16, 2021 ... thống nhận dạng hình ảnh thương mại điện tử CHƯƠNG I: TỔNG QUAN VỀ THƯƠNG MẠI ĐIỆN TỬ VIỆT NAM VÀ THẾ GIỚI 1.1 Giới thiệu thương mại điện tử 1.1.1 Lịch sử phát triển Sự khởi đầu thương mại điện tử. .. 1.4 Ứng dụng mơ hình học sâu vào tốn nhận dạng hình ảnh thương mại điện tử Với phát triển mạnh mẽ Thương mại điện tử nói trên, đồng nghĩa với việc mặt hàng sản phẩm bày bán trang thương mại điện. .. hình ảnh thương mại điện tử Các mơ hình học sâu, CNN ứng dụng vào bàn tốn nhận diện hình ảnh trình bày chi tiết Chương II CHƯƠNG II: GIỚI THIỆU VÀ NGHIÊN CỨU CNN CHO BÀI TỐN NHẬN DIỆN HÌNH ẢNH