M衣pi"p挨tqp"v ej"ch壱p cĩ nguyên lý làm vi羽e"8嘘i v噂i m瓜t bài tốn phân lo衣i v壱t th吋 trong 違pj"pj逢"ucw<"8亥u vk‒p."8嘘k"v逢嬰ng (ví d映 là hình 違pj+"8逢嬰e"8逢c"x q"n噂p 8亥u vào (layer input), 違pj"8逢嬰c x穎 lý qua các l噂p tích ch壱p cĩ b瓜 l丑c khác nhau nh茨m trích xu医v"eƒe"8員c tính c亥n thi院t và gi違o"m ej"vj逢噂c 違pj0"Ucw"8„"eƒe"8k吋m 違nh (pixel) cịn l衣i c栄a 違pj"8逢嬰c tr違i ra thành m瓜t ma tr壱p"3<3"x "8逢c"x q"eƒe"n噂p k院t n嘘k"8亥{"8栄 (Fully connected layer), m厩k" rkzgn" 8逢嬰e" 8逢c" x q" o瓜t nút (node) trong l噂p fully connected, các tr丑ng s嘘 gi英c"eƒe"pqfg"8逢嬰c tính tốn và t嘘k"逢w"j„c"ucw"v瑛pi"8嬰t d英 li羽u g丑i và l噂p fully connected cu嘘i cùng s胤8逢c"tc"m院t qu違 d詠a trên các tr丑ng s嘘 sau
cùng. T瑛 k院t qu違 này ta cĩ th吋 phân lo衣i v壱t th吋 trong 違pj0"A吋 mơ hình 8衣t k院t qu違 t嘘t chúng ta c亥n ph違k"8違m b違o s嘘n逢嬰ng và ch医v"n逢嬰ng c栄a b瓜 d英 li羽ụ
M衣ng CNN cĩ c医u trúc g欝m hay ph亥p"ej pj"pj逢"j·pj"ucw"8¤{ (hình 3.13): ‚ Ph亥n trích xu医v"8員c tính: g欝m l噂p input, các l噂p tích ch壱p (Convolution layer)
và l噂p pooling (Pooling layer) k院 ti院p nhaụ Ph亥n này cĩ nhi羽m v映 trích xu医t eƒe"8員c tính quan tr丑ng và gi違o"m ej"vj逢噂c c栄a d英 li羽u input (ví d映 là 違nh) nh茨m t嘘k"逢w"j„c"v嘘e"8瓜 x穎 lý c栄a mơ hình.
‚ Ph亥n 育n: bao g欝m các l噂p fully connected, t医t c違 các nút trong l噂r"vt逢噂c liên k院t v噂i t医t c違 nút l噂p sau và 違pj"j逢荏ng nhau b荏i các tr丑ng s嘘0"A¤{"n "rj亥n c医u trúc quy院v"8鵜pj"8瓜 Ðu¤wĐ"e栄a mơ hình Deep Learning, d詠a vào s嘘 l噂p fully connected và s嘘pqfg"pi逢運i ta ch丑p"tc"m ej"vj逢噂c d英 li羽u phù h嬰r"8吋 t嘘k"逢w" hĩa k院t qu違8亥u rạ 雲 các l噂p này th逢運pi"8逢嬰c s穎 d映ng hàm kích ho衣v"8吋8鵜nh pij c"m院t qu違8亥u ra (Output layer). Các hàm kích ho衣t (activation function) s胤8逢嬰e"p„k"u¤w"j挨p"荏 ph亥n k院 ti院p.
Hình 3.13 O»"j·pj"vごpi"swƒv"eƒe"vj pj"rjＺp"eてc"oじv"oＴpi"p￢tqp"v ej"ejｆr"[92].
3.6.3 M瓜t s嘘 khái ni羽m trong m衣ng CNN 3.6.3.1 L噂p tích ch壱p Ỵ Convolutional layer