ỨNG DỤNG MẠNG TÍCH CHẬP ĐỂ NHẬN BIẾT CHÓ MÈO

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THƠNG TIN ======***====== BÁO CÁO BTL THUỘC HỌC PHẦN: TRÍ TUỆ NHÂN TẠO ĐỀ TÀI: ỨNG DỤNG MẠNG TÍCH CHẬP ĐỂ NHẬN BIẾT CHĨ MÈO GVHD: Nhóm : TS Trần Hùng Cường Thành viên: Nguyễn Ngọc Sơn Nguyễn Văn Thành Nguyễn Văn Tùng Nguyễn Đức Minh Nguyễn Đức Huy MỤC LỤC Chương 1-Tổng quan trí tuệ nhân tạo Trí tuệ nhân tạo phát triển với tốc độ “hàm mũ”, có nhiều đóng góp quan trọng vào sản xuất, dịch vụ đời sống người Tuy nhiên, Trí tuệ nhân tạo lĩnh vực phức tạp tạo nhiều thách thức đáng lo ngại Hiểu biết Trí tuệ nhân tạo để nắm bắt kịp thời hội thách thức từ Trí tuệ nhân tạo cần thiết người, tổ chức quốc gia Vậy chương tìm hiểu tổng quan Trí tuệ nhân tạo 1.1 Khái niệm Tại hội nghị The Dartmouth diễn vào năm 1956, khái niệm TTNT xuất John McCarthy, nhà khoa học máy tính Mỹ McCarthy cộng cho nghiên cứu TTNT nhằm mơ tả xác khía cạnh xử lý trí tuệ học (để có tri thức) tạo hệ thống, máy mô hoạt động học xử lý trí tuệ Tuy nhiên sáu thập kỷ phát triển TTNT chứng kiến nhiều định nghĩa khác TTNT Từ quan điểm này, TTNT hoạt động hướng tới xây dựng hệ thống, máy có khả sử dụng ngơn ngữ tự nhiên, trừu tượng hóa -hình thức hóa khái niệm giải vấn đề dựa tiếp cận logic, định điều kiện thiếu thông tin TTNT lĩnh vực liên ngành Triết học, Tâm lý học, Khoa học thần kinh, Tốn học, Điều khiển học, Khoa học máy tính, Ngơn ngữ học, Kinh tế Một số lực trí tuệ điển hình là: Học từ kinh nghiệm (trích rút tri thức từ kinh nghiệm) áp dụng tri thức; Phản ứng nhanh chóng xác tình mới; Nhận dạng hiểu ngữ nghĩa hình ảnh; Sử dụng heuristic (mẹo) Việc chứng minh khả trí tuệ máy người kiểm định (kiểm thử Turing) đánh giá khách quan (sử dụng công cụ thống kê, logic vị từ mệnh đề) 1.2 Q trình phát triển TTNT Tính từ khởi đầu, nghiên cứu TTNT trải qua ba đợt sóng cơng nghệ Làn sóng tập trung vào kiến thức thủ công, phát triển mạnh mẽ vào năm 1980 hệ chuyên gia dựa quy tắc lĩnh vực xác định rõ ràng, kiến thức thu thập từ người chuyên gia, thể quy tắc "nếu-thì", sau thực phần cứng Các hệ thống lập luận áp dụng thành cơng vấn đề hẹp, khơng có khả học đối phó với khơng chắn Tuy nhiên, chúng dẫn đến giải pháp quan trọng, kỹ thuật phát triển sử dụng Làn sóng nghiên cứu TTNT thứ hai từ năm 2000 đến đặc trưng phát triển máy học Sự sẵn có khối lượng lớn liệu số, khả tính toán song song lớn tương đối rẻ, kỹ thuật học cải tiến mang lại tiến đáng kể TTNT áp dụng cho nhiệm vụ nhận dạng hình ảnh chữ viết, hiểu ngơn từ, dịch thuật ngôn ngữ người Thành tiến có mặt khắp nơi: điện thoại thông minh thực nhận dạng giọng nói, máy ATM thực nhận dạng chữ viết tay, ứng dụng email lọc thư rác, dịch vụ trực tuyến miễn phí thực dịch máy Chìa khóa cho số thành công phát triển học sâu (deep learning) Lĩnh vực TTNT giai đoạn khởi đầu sóng thứ ba, tập trung vào công nghệ TTNT phổ quát giải thích Các mục tiêu phương pháp nâng cao mơ hình học với giải thích sửa giao diện, để làm rõ độ tin cậy kết đầu ra, để hoạt động với mức độ minh bạch cao, để vượt qua TTNT phạm vi hẹp tới khả khái quát phạm vi nhiệm vụ rộng Nếu thành cơng, kỹ sư tạo hệ thống xây dựng mơ hình giải thích cho lớp tượng giới thực, tham gia giao tiếp tự nhiên với người, học suy luận nhiệm vụ tình gặp, giải vấn đề cách khái quát kinh nghiệm khứ 1.3 Xu hướng nghiên cứu TTNT Hình 1: Xu hướng nghiên cứu TTNT Hệ chuyên gia xử lý tình tư vấn (xác định vấn đề tư vấn, thu thập thông tin liệu, suy diễn giải vấn đề, lựa chọn giải pháp phù hợp), tương tự chuyên gia người miền ứng dụng cụ thể Người máy TTNT tự thực hành vi có trí tuệ giống người, nhờ trang bị hệ thống phần mềm, thiết bị TTNT Để hạn chế mức cao rủi ro khai thác sử dụng người máy TTNT, ba luật hoạt động người máy cần tuân thủ: (i) Người máy hành động gây hại cho người cần hành động phù hợp người bị hại; (ii) Người máy tuân lệnh người, ngoại trừ lệnh gây hại cho người (để không xung đột với luật hoạt động thứ nhất); (iii) Người máy biết cách tự bảo vệ ngoại trừ trường hợp bị xung đột với luật hoạt động thứ luật hoạt động thứ hai Cần phân biệt người máy TTNT với người máy công nghiệp làm công việc buồn tẻ, độc hại nguy hiểm Hệ thống thị giác máy có khả nhận dạng từ hình ảnh: đối tượng, kiện, q trình mơi trường giới thực xung quanh xác lập vị trí đối tượng Hệ thống thị giác máy có chức năng: nhận biết đối tượng; định vị đối tượng không gian; bám, điều hướng, theo dõi đối tượng chuyển động; đoán nhận hành vi đối tượng Hệ thống xử lý ngôn ngữ tự nhiên làm cho máy tính có khả hiểu phản ứng tiếp nhận câu nói thị biểu thị ngôn ngữ tự nhiên tiếng Việt, tiếng Anh… Xử lý ngôn ngữ tự nhiên khu vực nghiên cứu TTNT có q trình phát triển lâu dài bảy thập kỷ, thu hút cộng đồng nghiên cứu đông đảo giới Việt Nam Xử lý ngôn ngữ tự nhiên gồm xử lý văn bản, xử lý tiếng nói xử lý tiếng nói – văn Học thống học TTNT hướng tới máy tính có lực “học” (thu nhận tri thức) tương tự người, nhờ có tri thức mà cải thiện cách thức hoạt động, đáp ứng nhận thơng tin phản hồi từ mơi trường bên ngồi tình Học máy thống kê, đặc biệt học sâu (deep learning), với liệu lớn, xu hướng chủ chốt, tạo phát triển kỳ diệu TTNT thập kỷ vừa qua Học chuyển đổi (transfer learning), học chuyển đổi sâu (deep transfer learning), học máy suốt đời (lifelong machine learning) kỹ thuật học máy đại, cho phép giải vấn đề tình thiếu thơng tin quan trọng xử lý tình Mạng nơ-ron khu vực TTNT cho phép hệ thống máy tính mơ hoạt động giống não người việc học mẫu liệu đoán nhận phân lớp đầu vào Hệ thống mạng nơ-ron thường sử dụng kiến trúc song song vi xử lý mảng dựa cấu trúc mạng giống não người 1.4 Thành tựu TTNT Các hệ thống TTNT thường xuyên làm tốt người nhiệm vụ chuyên môn Các cột mốc quan trọng TTNT vượt qua lực người bao gồm: cờ vua (1997), giải câu đố (2011), trị chơi Atari (2013), nhận dạng hình ảnh (2015), nhận dạng giọng nói (2015), Go (2016) Và thành tựu bật ô tô không người lái, smart home, Robot Sophia – công dân giới với trí thơng minh vượt trội; máy tính thơng minh AlphaGo đánh bại kỳ thủ cờ vây giới Lee Sedol với tỷ số chung 4:1,… Những thành tựu to lớn TTNT thúc đẩy tảng mạnh mẽ nghiên cứu Những nghiên cứu mở rộng có khả thúc đẩy tiến tương lai 1.5 Machine learning Deep learning Hình 2: Machine learning Deep learning 1.5.1 Machine learning – Cách tiếp cận để chinh phục trí tuệ nhân tạo TTNT bao gồm nhiều lĩnh vực nghiên cứu, từ thuật toán di truyền đến hệ thống chuyên gia cung cấp phạm vi cho lập luận cấu thành TTNT Trong lĩnh vực nghiên cứu TTNT, Machine Learning đạt thành công đáng kể năm gần – cho phép máy tính vượt qua tiến gần đến việc kết hợp hiệu suất người lĩnh vực từ nhận dạng khuôn mặt đến nhận dạng giọng nói ngơn ngữ Machine learning (ML) lĩnh vực nghiên cứu cho phép máy tính có khả cải thiện thân chúng dựa liệu mẫu (training data) dựa vào kinh nghiệm (những học) Machine learning tự dự đốn đưa định mà không cần lập trình cụ thể Bài tốn machine learning thường chia làm hai loại dự đoán (prediction) phân loại (classification) Các toán dự đoán dự đoán giá nhà, giá xe… Các toán phân loại nhận diện chữ viết tay, nhận diện đồ vật… 1.5.2 Deep learning – Kỹ thuật để thực hóa Machine learning Một ví dụ nhiệm vụ Machine Learning đơn giản, nơng cạn dự đốn doanh số bán kem thay đổi dựa nhiệt độ ngồi trời Việc đưa dự đốn sử dụng vài tính liệu theo cách tương đối đơn giản thực cách sử dụng kỹ thuật Machine Learning gọi hồi quy tuyến tính với độ dốc giảm dần Vấn đề hàng loạt vấn đề giới thực khơng phù hợp với mơ hình đơn giản Một ví dụ vấn đề thực tế phức tạp nhận số viết tay.Để giải vấn đề này, máy tính cần phải có khả đối phó với đa dạng lớn cách thức trình bày liệu Mỗi chữ số từ đến viết theo vơ số cách: kích thước hình dạng xác chữ số viết tay khác tùy thuộc vào người viết hồn cảnh Đối phó với biến đổi tính lộn xộn tương tác lớn chúng, nơi Deep learning mạng nơ ron trở nên hữu ích 1.5.2.1 Giới thiệu mạng nơ ron (Neural Network) Mạng nơ-ron nhân tạo, chuỗi thuật toán đưa để tìm kiếm mối quan hệ tập hợp liệu Thông qua việc bắt bước cách thức hoạt động từ não người Nói cách khác, mạng nơ ron nhân tạo xem hệ thống tế bào thần kinh nhân tạo Neural Network có khả thích ứng với thay đổi từ đầu vào Do vậy, đưa kết cách tốt mà bạn khơng cần phải thiết kế lại tiêu chí đầu Kiến trúc mạng Nơ ron 10 33 34 35 36 37 Biểu đồ Training loss(xanh) validation loss(đỏ) 38 Biểu đồ Training accuracy(xanh) validation accuracy (đỏ) 3.5 Kết 39 … 40 41 42 43 3.5.1 Đối chiếu vài kết qua file excel Kết dự tính Hình ảnh thực tế 44 Kết dự tính Hình ảnh thực tế 45 KẾT LUẬN Trí tuệ nhân tạo cơng nghệ biến đổi có triển vọng mang lại lợi ích to lớn cho kinh tế xã hội TTNT có khả cách mạng hóa cách thức sống, làm việc, học hỏi, khám phá giao tiếp Nghiên cứu TTNT tiếp tục ưu tiên quốc, bao gồm nâng cao thịnh vượng kinh tế, cải thiện hội giáo dục chất lượng sống, tăng cường an ninh quốc gia Với ý tưởng áp dụng trí tuệ nhân tạo vào nhu cầu đời sống, nhằm giải phóng sức lao động người với cơng việc đơn giản góp phần xây dựng cách mạng cơng nghiệp 4.0, nhóm chúng em thực đề tài “Nghiên cứu mạng tích chập-CNN, áp dụng vào tốn phân biệt chó mèo” hồn thành mục tiêu sau: Ở chương một, luận văn trình bày tổng quan lịch sử hình thành, kiến thức lĩnh vực trí tuệ nhân nhân tạo, machine learning, deep learning, mạng nơ ron Về mạng nơ ron, luận văn làm rõ định nghĩa, cấu trúc, ứng dụng mạng nơ ron nhân tạo ● Ở chương hai, luận văn trình bày tổng quan về mạng nơ ron tích chập, luận văn làm rõ định nghĩa, cấu trúc, cách hoạt động, ứng dụng mạng nơ ron tích chập ● Bên cạnh đó, chương ba, để tài bước đầu xây dựng tốn ứng dụng mạng tích chập để phân biệt chó mèo ngơn ngữ lập trình python thư viện hỗ trợ Tensorflow, Keras Từ rút kinh nghiệm cố lý thuyết thêm phần vững ● Qua báo cáo tập lớn này, nhóm chúng em hiểu rõ học phần trí tuệ nhân tạo nói chung mạng tích chập nói riêng, rút nhiều kinh nghiệm qua tập thực hành Mặt khác tập lớn giúp chúng em cải thiện nhiều kỹ mềm việc khai thác thông tin từ Internet, tra cứu sử dụng thông tin viết tiếng Anh Trong q trình thực tập lớn nhóm chúng em cịn thiếu nhiều kiến thức ngơn ngữ lập trình python, kỹ thuật xử lý hình ảnh,… nên có nhiều lỗi sai thiếu sót mong thầy bỏ qua cho Nhóm chúng em mong nhận ý kiến đóng góp thầy để học thêm nhiều kinh nghiệm cho tập sau Nhóm sinh viên thực hiện! 46 Tài liệu tham khảo https://www.kaggle.com/c/dogs-vs-cats/data https://www.kaggle.com/uysimty/keras-cnn-dog-or-cat-classification https://nttuan8.com/bai-3-neural-network/ https://viblo.asia/p/deep-learning-tim-hieu-ve-mang-tich-chap-cnnmaGK73bOKj2 https://topdev.vn/blog/tensorflow-la-gi/ https://viblo.asia/p/lam-quen-voi-keras-gGJ59mxJ5X2 https://www.miai.vn/2020/11/06/khoa-hoc-mi-python-bai-5-python-voikeras-cnn/ 8.https://colab.research.google.com/drive/1S7vvz83dBPFNYgRdjJTEEjnmVl 9pvFp_? usp=sharing&fbclid=IwAR3TIAu16lFj1m8cG1XUrS3kgOJthwVd6KajkIE_ KH5zIpYjHhI_tpa_FXs#scrollTo=CQw4MOPC_hsG\ 47 ... nghĩa, cấu trúc, cách hoạt động, ứng dụng mạng nơ ron tích chập ● Bên cạnh đó, chương ba, để tài bước đầu xây dựng tốn ứng dụng mạng tích chập để phân biệt chó mèo ngơn ngữ lập trình python thư... CNN để xử lý hình ảnh đầu vào phân loại đối tượng dựa giá trị 15 Hình 6: Mạng tích chập 16 2.3 Lớp tích chập - Convolution Layer Tích chập lớp để trích xuất đặc trưng từ hình ảnh đầu vào Tích chập. .. phân tích kỹ thuật khác khơng thể 12 đáp ứng Dù vậy, xác việc áp dụng mạng nơron nhân tạo vào dự đốn giá cổ phiếu hồn tồn khác 13 Chương 2 -Mạng tích chập (CNN) 2.1 Tại cần mạng tích chập? Mạng