Bài viết trình bày những khái niệm cơ bản, theo khía cạnh đơn giản nhất, từ đó có thể làm rõ được bản chất của AI, hay cụ thể hơn là Deep Learning. Lựa chọn mô hình mạng neuron nhân tạo tiêu chuẩn, mạng perceptron đa lớp (Multi-layer Perceptron), thực hiện tác vụ nhận dạng chữ số viết tay.
TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 14, Số (2019) NHẬN DẠNG CHỮ SỐ VIẾT TAY DÙNG MẠNG NEURON NHÂN TẠO Phạm Phú Quốc*, Vương Quang Phước Khoa Điện tử - Viễn thông, Trường Đại học Khoa học, ĐH Huế *Email: phuquochusc@gmail.com Ngày nhận bài: 21/3/2019; ngày hoàn thành phản biện: 21/5/2019; ngày duyệt đăng: 02/7/2019 TĨM TẮT Với vị trí dẫn đầu xu cơng nghệ tại, trí tuệ nhân tạo (Artificial Intelligence - AI), v| nhiều nhà khoa học toàn giới nghiên cứu phát triển Ở Việt Nam, chủ đề thu hút nhiều quan tâm v|i năm gần đ}y, nhiên số lượng c{c b|i b{o t|i liệu liên quan hạn chế Bài báo trình bày khái niệm bản, theo khía cạnh đơn giản nhất, từ l|m rõ chất AI, hay cụ thể l| Deep Learning Chúng tơi lựa chọn mơ hình mạng neuron nhân tạo tiêu chuẩn, mạng perceptron đa lớp (Multi-layer Perceptron), thực tác vụ nhận dạng chữ số viết tay Hiệu mạng đ{nh gi{ thông qua tỷ lệ nhận dạng hình ảnh Bên cạnh đó, c{c tham số chi phối đến kết tỷ lệ học (Learning Rate), số lớp ẩn/số neuron lớp ẩn v| kích thước gói liệu khảo s{t v| đ{nh giá q trình thực Từ khóa: mạng neuron nhân tạo, mạng perceptron đa lớp, trí tuệ nhân tạo MỞ ĐẦU Hiện nay, với hệ thống liệu hình ảnh khổng lồ tồn giới, việc phân tích, xử lý để khai thác sử dụng thông tin ảnh nhu cầu thiết yếu Tuy nhiên, với số lượng liệu khổng lồ, việc phân tích, xử lý thủ cơng nhiều thời gian nguồn nhân lực Thực tiễn chứng minh, việc ứng dụng trí tuệ nhân tạo nói chung hay Deep Learning nói riêng vào nhiệm vụ giúp tiết kiệm nhiều thời gian công sức Từ năm 2011, Google giới thiệu dự án Deep Learning sử dụng mạng neuron nhân tạo dùng cho nhận dạng giọng nói v| sau mở rộng lên c{c lĩnh vực kh{c Gmail, Google dịch, Google ảnh< *1] Đối với toán nhận dạng chữ số viết tay, mạng neuron nhiều lớp huấn luyện dựa pixel, đơn vị nhỏ hình ảnh Vì mạng neuron nhân tạo cơng cụ vơ thích hợp cho việc xử lý, phân tích hình ảnh mang lại kết khả quan [2] 119 Nhận dạng chữ số viết tay dùng mạng neuron nhân tạo Mục tiêu báo trình bày khái niệm bản, xây dựng mơ hình nhận diện chữ số viết tay mạng neuron nhân tạo cho tỷ lệ nhận dạng 90% Các phần báo trình b|y đơn vị cấu tạo nhỏ tạo thành mạng neuron nhân tạo đa lớp cấu trúc, thơng số mơ hình mạng neuron đa lớp kết thực nghiệm với trường hợp kh{c để khảo sát, làm rõ chức thơng số mơ hình mạng NEURON NHÂN TẠO Neuron nhân tạo xây dựng ý tưởng từ neuron sinh học, đơn vị cấu tạo thành hệ thần kinh não người Những neuron có nhiệm vụ nhận tín hiệu từ não truyền tín hiệu đến phận kh{c thể Một cách tương tự, ta có neuron nhân tạo hay perceptron l| đơn vị cấu thành mạng neuron nhân tạo Một perceptron nhận ngõ vào có giá trị x1, x2, xn ngõ perceptron cho giá trị nhị phân [3] Hình mơ tả cấu trúc perceptron đơn giản với giá trị đầu vào X1, X2 X1 Ngõ X2 Hình Mơ hình Perceptron đơn giản Nhiệm vụ perceptron sử dụng giá trị ngõ vào để tính tốn xác định giá trị ngõ Trong mạng neuron nhân tạo, ngõ neuron lớp trước đầu vào lớp 2.1 Trọng số (Weight – w) Weight hay trọng số (w) số biểu thị mức độ quan trọng ngõ vào so với ngõ [5] Giá trị ngõ perceptron phụ thuộc vào tổng trọng số ngõ vào: ∑ { Trong : ngõ vào thứ (1) ∑ perceptron; : trọng số ngõ vào ; : mức ngưỡng định giá trị ngõ H|m x{c định ngõ (1) gọi hàm step 120 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, Trường Đại học Khoa học, ĐH Huế Tập 14, Số (2019) 2.2 Bias – b Để đơn giản cho perceptron định giá trị đầu hay 1, thay giá trị ngưỡng (threshold) nghịch đảo số Bias hay ngưỡng = -b Và viết lại (1) sau: ∑ { (2) ∑ 2.3 Neuron sigmoid hàm sigmoid Tương tự với perceptron, neuron sigmoid có nhiều ngõ vào (x1, x2, x3