Đồ án chuyên ngành ứng dụng học chuyển đổi cho mạng đối sinh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM ĐỒ ÁN CHUYÊN NGÀNH ỨNG DỤNG HỌC CHUYỂN ĐỔI CHO MẠNG ĐỐI SINH Ngành: CÔNG NGHỆ THÔNG TIN Chuyên ngành: CÔNG NGHỆ PHẦN MỀM Giảng viên hướng dẫn Sinh viên thực hiện: ThS Dương Thành Phết : MSSV: Lớp: Đồn Nguyễn Chí Thiện 1911061452 19DTHE4 TP Hồ Chí Minh, 2022 PHIẾU PHÂN CƠNG NHIỆM VỤ STT MSSV/ Họ Tên Nội dung công việc thực Tự đánh giá tỉ lệ điểm số 1911061452 - Xây dựng mơ hình Đồn Nguyễn Chí Thiện - Huấn luyện mơ hình - Đánh giá mơ hình - Tìm kiếm liệu - Lọc liệu - Tiền xử lý liệu - Hậu xử lý liệu - Xây dựng giao diện - Viết báo cáo 100% (9đ) LỜI CAM ĐOAN Em xin cam đoan đồ án sở với đề tài “Ứng dụng học chuyển đổi cho mạng đối nghịch tạo sinh” nghiên cứu độc lập nhóm Đồng thời số liệu cung cấp từ báo cáo kết nghiên cứu hồn tồn trung thực, khơng chép từ cơng trình nghiên cứu khác Những tài liệu trích dẫn ghi rõ nguồn gốc Những phần có sử dụng tài liệu tham khảo có đồ án liệt kê nêu rõ phần tài liệu tham khảo Đồng thời số liệu hay kết trình bày đồ án mang tính chất trung thực, khơng chép, đạo nhái Em xin chịu hoàn toàn trách nhiệm trước giảng viên hướng dẫn đồ án chuyên ngành ThS.Dương Thành Phết khoa Công Nghệ Thông Tin trường Đại học Công nghê Tp.HCM trường hợp phát sai phạm hay vấn đề chép đề tài LỜI CẢM ƠN Để có kiến thức chỉnh chu đồ án Đòi hỏi chúng em phải có nhiều kỹ năng, kiến thức vững vàng Tuy nhiên để có kỹ năng, kiến thức cần đến hỗ trợ Thầy (Cô) khoa Và Thầy (Cô) giảng dạy chúng em qua môn để hồn thiện dần thân Đối với đồ án Nhóm Em nhận hỗ trợ tận tình từ Thầy Dương Thành Phết, Thầy hỗ trợ giảng dạy cho nhóm em nhiều đồ án Cũng Thầy đưa góp ý, nhận xét sâu sắc hướng đến đồ án mang tính thực tế để nhóm em sửa đổi rút kinh nghiệm nhiều Khơng vậy, Thầy cịn chia sẻ cho nhóm em số tài liệu tốt, số phần mềm để nhóm em sử dụng Và ứng dụng vào đồ án, làm cho đồ án trở nên đẹp tối ưu Và cuối nhóm em cảm ơn Thầy nhiều Vì Thầy tận tình nhiệt huyết giảng dạy em suốt hai tháng vừa qua Hai tháng ngắn ngủi lại mang lại cho nhóm em nhiều điều bổ ích Khơng vậy, với nhiệt huyết Thầy giúp em hiểu biết thêm nhiều điều tích lũy cho thân nhóm em nhiều kiến thức bổ ích kỹ cần có đồ án Trong trình học tập trình làm báo cáo trình độ lý luận kinh nghiệm thực tiễn nhóm em cịn nhiều hạn chế thiếu sót Nên báo cáo khơng thể tránh khỏi thiếu sót khơng mong muốn Vì vậy, nhóm em mong nhận ý kiến đóng góp Thầy để có nhiều kinh nghiệm làm cho nhóm em mong nhận ý kiến đóng góp Thầy để nhóm em học thêm nhiều kinh nghiệm Để nhóm em hồn thiện nhiều có nhiều kinh nghiệm báo cáo đồ án Mục Lục Chương TỔNG QUAN 1.1 Giới thiệu đề tài: 1.1.1 Mô tả đề tài: 1.1.2 Lý chọn đề tài: 1.2 Cấu trúc đồ án: Chương CƠ SỞ LÝ THUYẾT – CÔNG NGHỆ SỬ DỤNG 2.1 Cơ sở lý thuyết: 2.1.1 Giới thiệu deep learning: 2.1.2 Mạng tích chập – Convolutional Neural Network: 12 2.1.3 Cấu trúc mạng tích chập 25 2.1.4 Mạng Tích chập huấn luyện sẵn 27 2.1.5 Mạng đối sinh – Aderversial Neural Network (GAN): 31 2.1.6 Mơ hình CycleGAN: 35 2.1.7 Học chuyển đổi 39 2.2 Công nghệ sử dụng: 43 2.2.1 Ngôn ngữ Python: 43 2.2.2 Thư viện tensorflow: 43 2.2.3 Thư viện OpenCV: 46 2.2.4 Thư viện QT: 47 2.2.5 Google Colab: 48 Chương : THỰC NGHIỆM VÀ KẾT QUẢ 49 3.1 Thiết lập mơ hình huấn luyện 49 3.1.1 Generator 49 3.1.2 Discriminator: 51 3.1.3 Hàm mục tiêu 51 3.2 liệu 53 3.3 Tài ngun huấn luyện mơ hình 54 3.4 kết huấn luyện 54 3.5 Chức ứng dụng: 54 3.5.1 Màn hình chính: 55 3.5.2 Chức chọn ảnh từ thiết bị: 55 3.5.3 Chức chuyển đổi ảnh: 56 3.5.4 Chức xóa ảnh: 56 3.5.5 Chức xem chi tiết ảnh bất kì: 57 3.5.6 Chức lưu ảnh sau chuyển thiết bị: 58 Chương KẾT LUẬN VÀ KIẾN NGHỊ 59 4.1 Kết luận 59 4.2 Kiến nghị 59 TÀI LIỆU THAM KHẢO 60 NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Chương TỔNG QUAN 1.1 Giới thiệu đề tài: Mô tả đề tài: 1.1.1 Cùng với phát triển công nghệ đại với khả tính tốn khổng lồ, mơ hình deep learning phát triển cách thần tốc, đặc biệt mơ hình sinh liệu, mơ hình mà cần khả tính tốn khổng lồ đảm đương Ngoài đầu tư tài nguyên cho việc thiết kế mơ hình sinh liệu mới, việc tận dụng lại mơ hình phổ biến huấn luyện sẵn áp dụng tiết kiệm lượng tài nguyên khổng lồ hướng nguyên cứu nhà khoa học đặc biệt quan tâm Thế giới ngày phát triển nên nhu cầu người mặt nghệ thuât phát triển theo, có nhiều phần mềm chỉnh sửa ảnh, người dùng tùy biến thơng số độ sáng, đồ thị màu, độ tương phản, độ mờ đục,… ảnh theo sở thích người dùng Kết hợp hai lý nên chúng em định thực đề tài Lý chọn đề tài: 1.1.2 Nghiên cứu mơ hình lớn cách áp dụng chúng vào mạng đối nghịch tạo sinh phục vụ cho tác vụ chuyển đổi ảnh,… 1.2 Cấu trúc đồ án: • • • Chương 1: Tổng quan - Tên đề tài - Mô tả đề tài - Lý chọn đề tài Chương 2: Cơ sở lý thuyết công nghệ sử dụng - Các lý thuyết áp dụng - Các công nghệ sử dụng Chương 3: Thực nghiệm - Thiết kế mơ hình - Tìm kiếm liệu - Kết huấn luyện - Phần mềm demo • Chương 4: Kết luận - Ưu điểm mơ hình - Nhược điểm mơ hình - Hướng phát triển - Tài liệu tham khảo Chương CƠ SỞ LÝ THUYẾT – CÔNG NGHỆ SỬ DỤNG 2.1 Cơ sở lý thuyết: 2.1.1 Giới thiệu deep learning: 2.1.1.1 Khái niệm: Deep learning bắt nguồn từ thuật toán Neural network vốn xuất phát ngành nhỏ Machine Learning Deep Learning chi ngành máy học dựa tập hợp thuật toán để cố gắng mơ hình liệu trừu tượng hóa mức cao cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, cách khác bao gồm nhiều biến đổi phi tuyến Tương tự cách học hỏi từ kinh nghiệm thuật toán, deep learning thực nhiệm vụ nhiều lần lần tinh chỉnh nhiệm vụ chút để cải thiện kết Deep Learning đơn giản kết nối liệu tất tế bào thần kinh nhân tạo điều chỉnh chúng theo liệu mẫu Tương tự cách học hỏi từ kinh nghiệm thuật toán, deep learning thực nhiệm vụ nhiều lần lần tinh chỉnh nhiệm vụ chút để cải thiện kết Deep Learning đơn giản kết nối liệu tất tế bào thần kinh nhân tạo điều chỉnh chúng theo liệu mẫu Hình 2.1: Kiến trúc mạng deep learning Càng có nhiều tế bào thần kinh thêm vào kích thước liệu lớn Nó tự động có tính học tập nhiều cấp độ trừu tượng Qua cho phép hệ thống học hàm ánh xạ phức tạp mà không phụ thuộc vào thuật toán cụ thể Khơng thực biết xảy mạng lưới thần kinh nhân tạo Vì vậy, bạn gọi Deep Learning hộp đen Deep Learning giúp máy tính thực thi việc tưởng chừng vào 15 năm trước: phân loại ngàn vật thể khác ảnh, tự tạo thích cho ảnh, bắt chước giọng nói chữ viết người, giao tiếp với người, hay chí sáng tác văn, phim, ảnh, âm nhạc 2.1.1.2 Cách thức hoạt động: Cách thức hoạt động thuật toán Deep Learning diễn sau: Các dịng thơng tin trải qua nhiều lớp lớp sau Lấy quy trình học người làm ví dụ cụ thể Qua lớp tập trung vào việc học khái niệm cụ thể lớp sâu sử dụng thông tin học để nghiên cứu phân tích sâu khái niệm trừu tượng Quy trình xây dựng biểu diễn liệu gọi trích xuất tính • Ví dụ việc nhận diện vật: Nhiệm vụ máy tính lúc nhận biết hình ảnh cho hình mèo chó bạn dạy máy tính nhận diện hình ảnh mèo lập trình nhiều lớp mạng thần kinh nhân tạo lớp có khả xác định đặc điểm cụ thể mèo râu, vuốt, chân sau đó, cho máy tính xem hàng ngàn ảnh mèo khác (và “Đây mèo”) hàng ngàn ảnh mèo (và “đây mèo”) Mạng thần kinh nhân tạo xem hết ảnh lớp (cịn gọi node) dần nhận râu, vuốt, chân…nó biết lớp quan trọng, lớp khơng quan trọng Nó nhận mèo ln có chân vật khơng phải mèo có chân Vì vậy, cần xác định mèo máy tính tìm chân kèm với đặc điểm khác móng vuốt hay râu…Deep Learning tự động tìm đặc điểm quan trọng để phân loại mục tiêu Trong Machine Learning đặc điểm phải đưa người 10 OpenCV (được viết tắt từ Open Computer Vision) công cụ phần mềm để xử lý hình ảnh, video, phân tích học máy theo thời gian thực Bộ công cụ có 2500 thuật tốn sử dụng cổ điển đại tối ưu hóa cho thị giác máy tính học máy OpenCV hỗ trợ nhiều ngơn ngữ lập trình C, C++, Java, Python,…tối ưu hóa thiết kế đa tảng có khả hoạt động nhiều phần cứng khác Được thiết kế để tận dụng tất khả có có sẵn phần cứng, OpenCV giúp đảm bảo mang lại hiệu suất tốt cho ứng dụng máy tính sử dụng công cụ 2.2.4 Thư viện QT: Qt Application framework đa tảng viết ngôn ngữ C++ , dùng để phát triển ứng dụng desktop, hệ thống nhúng mobile Hỗ trợ cho platform bao gồm : Linux, OS X, Windows, VxWorks, QNX, Android, iOS, BlackBerry, Sailfish OS số platform khác PyQt Python interface Qt, kết hợp ngơn ngữ lập trình Python thư viện Qt, thư viện bao gồm thành phần giao diện điều khiển (widgets , graphical control elements) PyQt API bao gồm module bao gồm số lượng lớn với classes functions hỗ trợ cho việc thiết kế giao diện giao tiếp với người dùng phần mềm chức Hỗ trợ với Python 2.x 3.x 47 2.2.5 Google Colab: Colaboratory hay gọi Google Colab, sản phẩm từ Google Research, cho phép chạy dịng code python thơng qua trình duyệt, đặc biệt phù hợp với Data analysis, machine learning giáo dục Colab không cần yêu cầu cài đặt hay cấu hình máy tính, thứ chạy thơng qua trình duyệt, bạn sử dụng tài nguyên máy tính từ CPU tốc độ cao GPUs TPUs cung cấp cho bạn Colab cung cấp nhiều loại GPU, thường Nvidia K80s, T4s, P4s and P100s, nhiên người dùng chọn loại GPU Colab, GPU Colab thay đổi theo thời gian Vì dịch vụ miễn phí, nên Colab có thứ tự ưu tiên việc sử dụng tài nguyên hệ thống, giới hạn thời gian sử dụng, thời gian sử dụng tối đa lên tới 12 48 Chương : THỰC NGHIỆM VÀ KẾT QUẢ 3.1 Thiết lập mơ hình huấn luyện 3.1.1 Generator Mơ hình em thiết kế theo kiến trúc unet Kiến trúc unet gồm phần: contracting path expanding path Contracting path: Contracting path sử dụng để trích xuất đặc trưng mơ hình, phần contracting path ban đầu gồm 10 khối convolution đầu vào ảnh màu 256x256x3 sau qua khối tích chập co dần kích thước ảnh để trích xuất đặc trưng, lớp covolution đầu trích đường thẳng đường chéo, ngang dọc, sâu, đặc trưng trừu tượng thể tính chất riêng ảnh, cịn gọi ma trận đặc trưng cấp cao Trong phần contracting path, với đầu vào ảnh 256x256x3 em sử dụng mơ hình huấn luyện sẵn, bao gồm mơ hình đồ án sở, VGG19, Resnet50, Densenet121 Đối với mơ hình đồ án sở, kiến trúc mơ hình mơ hình U-net nên em tiến hành loại bỏ phần expansive path mô hình, giữ lại phần contracting path biến đổi contracting path thành mơ hình có đầu gồm 128x128, 64x64, 32x32, 16x16, 8x8 tương ứng với đầu vào expansive path 49 Với mơ hình VGG19, mơ hình huấn luyện tốt liệu imageNet, em loại bỏ phần fully connected, thay đầu vào ảnh màu RGB có kích thước 256x256x3 đầu cho ảnh 8x8x512, sau biến đổi mơ hình VGG19 thành mơ hình có đầu với kích thước 128x128x64, 64x64x128, 32x32x256, 16x16x512, 8x8x512 Và cuói đóng băng khối convolution từ khối đến khối 10 không cập nhật trọng số lúc huấn luyện để không thay đổi trọng số lớp huấn luyện Với mơ hình Resnet50, em làm tương tự mơ hình VGG19, loại bỏ phần fully connected, biến đổi mơ hình thành đầu vào ảnh màu RGB có kích thước 256x256x3 đầu có kích thước128x128x64, 64x64x128, 32x32x256, 16x16x512, 8x8x512 Sau đóng băng khối layered từ khối convolution 38 đến khối 50 Với mơ hình Densenet 121, em làm tương tự hai mơ hình trên, đóng băng từ khối convolution70 đến khối convolution 121 Expansive path: Với đầu vào 8x8, 16x16, 32x32, 64x64, 128x128 Đầu tiên em nối đầu vào 8x8 với khối deconvolution dùng để biến đổi đặc trưng ảnh phóng to ảnh lên lần, nối đầu với đầu vào 16x16 cho qua khối deconvolution để biến đổi đặc trưng phóng to ảnh lên lần, lặp lại ảnh lên kích thước 256x256, lúc cho ảnh qua khối deconvolution với lớp filter đầu ảnh 256x256x3 50 Khối deconvolution bao gồm thành phần: • lớp up sample • lớp convolution(3x3,padding= same, stride=1) • hàm instance normalization • hàm ReLU 3.1.2 Discriminator: Mạng discriminator gồm khối convolution nhận đầu vào ảnh 256x256x3 đầu feature map 16x16 để xem xét phần ảnh đầu vào thật giả Khối convolution mạng discriminator gồm thành phần: • lớp convolution(3x3, padding = same, stride = 2) • hàm instance Normalitzation • hàm LeakyReLU 3.1.3 Hàm mục tiêu - Discriminator: 51 b: nhãn mục tiêu ảnh thật a: nhãn mục tiêu ảnh giả D(x): nhãn dự đốn mơ hình đưa ảnh thật D(G(z)): nhãn mơ hình dự đốn đưa ảnh giả - Generator Mơ hình Generator có độ phức tạp hơn mơ hình discriminator nhiều phải sinh ảnh giống ảnh mùa đơng mà cịn sinh ảnh có nét giống ảnh đầu vào hàm mục tiêu cho mơ hình generator nhiều - hàm mục tiêu mạng sinh liệu(loss square GAN) ℒ 𝐺𝐴𝑁 (𝐺, 𝐷, 𝑥) = 𝐸𝑥~𝑝𝑑𝑎𝑡𝑎 ((𝐷(𝐺 (𝑥)) − 𝑐) ) • D(G(x): nhãn mà mạng discriminator dự đốn ảnh mạng generator sinh • C: nhãn mục tiêu mà hàm generator muốn hàm discriminator dự đoán - hàm mục tiêu dung để đồng mạng generator lại với nhau(Cycleconsistancy loss) 𝓛𝒄𝒚𝒄 (𝑮, 𝑭, 𝑫𝑿 , 𝑿, 𝜸) = 𝑬𝒙~𝒑𝒅𝒂𝒕𝒂(𝒙) [𝜸||(𝒇𝑫𝑿 (𝑭(𝑮(𝒙))) − 𝒇𝑫𝑿 (𝒙)||𝟏 + (𝟏 − 𝜸)||𝑭(𝑮(𝒙)) − 𝒙||𝟏 ] • F(G(x)):ảnh x chuyển vòng tròn từ mạng G qua mạng F • 𝒇𝑫𝑿 (𝒙):là nhãn dự đốn mạng Dx đốn ảnh thật x • 𝒇𝑫𝑿 (𝑭(𝑮(𝒙))): nhãn dự đoán mạng Dx dự đoán ảnh chuyển vịng trịn • 𝜸: trọng số phép tính thường 0.5 - hàm mục tiêu tránh cho việc mạng generator chuyển đổi mức(Identity loss) ℒ 𝑖𝑑𝑒𝑛𝑡𝑖𝑡𝑦 (𝐺, 𝐹 ) = 𝐸𝑦~𝑃𝑑𝑎𝑡𝑎 (𝑦) [ ‖𝐺 (𝑦) − 𝑦||1] + 𝐸𝑥~𝑃𝑑𝑎𝑡𝑎(𝑥) [ ‖𝐹 (𝑥) − 𝑥||1] • 𝐺 (𝑦): ảnh sinh mạng G chuyển đổi ảnh miền mục tiêu 52 • 𝐹 (𝑥): ảnh x mạng F chuyển đổi ảnh ảnh miền mục tiêu - hàm tổng mạng generator: ℒ = ℒ 𝐺𝐴𝑁 (𝐺, 𝐷, 𝑥) + ℒሚ (𝐺, 𝐹, 𝐷𝑋 , 𝑋, 𝛾 ) + ℒ 𝑖𝑑𝑒𝑛𝑡𝑖𝑡𝑦 (𝐺, 𝐹 ) 3.2bộ liệu Bộ liệu bao gồm 2000 ảnh mùa hè, 2000 ảnh mùa đông nhà cửa, thành phố, góc đường cho tập huấn luyện 200 ảnh mùa hè nhà cửa, thành phố cho tập kiểm thử Tất em thu thập qua trang web flickr, stock, google,… 53 3.3Tài nguyên huấn luyện mơ hình Mơ hình huấn luyện google colab, trang bị GPU tesla T4 12GB ram, GPU tesla T4 trang bị 16GB VRam sử dụng kiến trúc turing phục vụ tối đa cho việc tính tốn mơ hình deep learning 3.4kết huấn luyện Thời gian: thời gian huấn luyện rơi vào khoảng đến tuần cho mơ hình pretrain khác So với việc huấn luyện mơ hình tạo vòng 2-3 tuần ngắn nhiều Hình ảnh mơ hình cho : 3.5Chức ứng dụng: • Chọn ảnh đầu vào từ thiết bị (có thể chọn nhiều ảnh chọn thư mục) • Chuyển tất ảnh vừa chọn sang phong cảnh mùa đơng • Xóa ảnh khơng mong muốn 54 • Double click vào để xem chi tiết trước sau chuyển đổi • Lưu tất ảnh chuyển thiết bị 3.5.1 Màn hình chính: Hình 3.1: Màn hình ứng dụng 3.5.2 Chức chọn ảnh từ thiết bị: Người dùng có lựa chọn: • Chọn nhiều ảnh tùy ý • Chọn thư mục chứa ảnh 55 3.5.3 Chức chuyển đổi ảnh: Người dùng click nút “Chuyển” để chương trình thực trình chuyển đổi ảnh Càng nhiều ảnh trình chuyển đổi lâu hình chuyển vịng xỉ 1s 3.5.4 Chức xóa ảnh: Người dùng xóa hình ảnh muốn (trước chuyển sau chuyển) 56 Hình 3.4: Xóa hình thành công 3.5.5 Chức xem chi tiết ảnh bất kì: Hình 3.5: Người dùng phép xem chi tiết 57 3.5.6 Chức lưu ảnh sau chuyển thiết bị: Người dùng chọn thư mục cần lưu phần mềm thực trình lưu ảnh Hình 3.6: Lưu ảnh chuyển vào thư mục thành công 58 Chương KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận Qua trình thử nghiệm đánh giá mơ hình, từ chọn mơ hình với khả sinh ảnh tốt, mơ hình không huấn luyện tác vụ có hình ảnh liên quan khả học chuyển đổi mơ hình đem lại kết khả quan tiêu tốn thời gian, chứng minh việc tận dụng mạng học sâu huấn luyện sẵn tiết kiệm nhiều thời gian công sức nhiều so với việc thiết kế mơ hình lĩnh vực mạng sinh liệu 4.2 Kiến nghị Mặc dù có việc sinh ảnh từ mơ hình tốt, cịn có ảnh khơng thể chuyển được, chuyển bị nhiễu Trong tương lai, việc áp dụng kĩ thuật ví dụ adapter instance normalization classfition activation map hay áp dụng mơ hình inceptionv3 cho ảnh có độ hài hồ màu sắc tốt hơn, góp phần nâng cao khả chuyển đổi ảnh mơ hình 59 TÀI LIỆU THAM KHẢO [1] https://topdev.vn/blog/tensorflow-la-gi/ [2] https://topdev.vn/blog/opencv-la-gi-hoc-computer-vision-khong-kho/ [3] https://towardsdatascience.com/cyclegan-learning-to-translate-images[4] https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/ [5] https://machinelearningmastery.com/what-are-generative-adversarialnetworks-gans/ [6] https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/ [7] https://codelearn.io/sharing/google-colab-la-gi [8] https://openplanning.net/11385/gioi-thieu-ve-python [9] https://www.anaconda.com/products/distribution [10] https://www.spyder-ide.org/ [11]https://phamdinhkhanh.github.io/2020/04/15/TransferLearning [12] https://www.analyticsvidhya.com/blog/2020/08/top-4-pre-trainedmodels-for-image-classification-with-python-code/ [13]https://iq.opengenus.org/vgg19-architecture/ [14]https://viblo.asia/p/normalization-and-normalization-techniques-indeep-learning-QpmleJyn5rd [15]https://aicurious.io/posts/2019-09-23-cac-ham-kich-hoat-activationfunction-trong-neural-networks/ 60 61 ... báo cáo 100% (9đ) LỜI CAM ĐOAN Em xin cam đoan đồ án sở với đề tài ? ?Ứng dụng học chuyển đổi cho mạng đối nghịch tạo sinh? ?? nghiên cứu độc lập nhóm Đồng thời số liệu cung cấp từ báo cáo kết nghiên... thái cân models, gọi Nash equilibrium 2.1.5.4 Ứng dụng thực tế: Kể từ mắt, mạng đối sinh ứng dụng rộng rãi khắp nơi, dươi liệt kê vài ứng dụng mạng đối sinh • Tạo khn mặt người: GAN có khả tạo khn... 2.1.7.2 học chuyển đổi Học chuyển đổi( Transfer learning) việc ứng dụng kỹ năng/tri thức học từ vấn đề (source domain – Ds), với ứng dụng (source task – Ts) sang vấn đề khác (target domain -Dt) với ứng