Mạng nơ-ron sâu hoạt động thế nào?
🎯 Mục tiêu học (LO AI-3.4.1 · mức K2 – Hiểu): giải thích cấu trúc và cách hoạt động của một mạng nơ-ron sâu.
💡 Ý cốt lõi: mạng nơ-ron sâu = nhiều lớp nơ-ron nhân tạo; học bằng cách điều chỉnh trọng số (weights) & bias để giảm sai số qua từng epoch.
Ba loại lớp
| Lớp | Vai trò |
|---|---|
| Input layer (lớp vào) | Nhận đầu vào, vd giá trị điểm ảnh từ camera. |
| Hidden layers (lớp ẩn) | Gồm các nơ-ron (nodes) tính toán, biến đầu vào thành biểu diễn ngày càng trừu tượng. Mạng fully connected: mỗi nơ-ron nối với mọi nơ-ron lớp kế. |
| Output layer (lớp ra) | Đưa kết quả ra ngoài, vd xác suất ảnh là con mèo. |
Single-layer perceptron (1 lớp) là ví dụ sớm nhất — phân loại nhị phân cho bài toán tách được bằng đường thẳng (vd spam vs không spam). Đa số mạng hiện nay là mạng sâu (nhiều lớp), có thể coi là multi-layer perceptron.
Một nơ-ron tính gì? Mạng học ra sao?
Giá trị kích hoạt (activation value) của mỗi nơ-ron = tổng có trọng số các giá trị kích hoạt từ nơ-ron lớp trước (mỗi kết nối có weight riêng) + bias của nơ-ron, rồi đưa qua một hàm kích hoạt (activation function) phi tuyến. (Bias ở đây khác với "bias" thiên lệch dữ liệu ở mục 5.1.2.)
Cách học: weights & bias khởi tạo bằng số ngẫu nhiên nhỏ. Đưa dữ liệu qua mạng → ra đầu ra → so với đáp án đúng → tính sai số (loss) → dội ngược để điều chỉnh weights & bias cho sai số nhỏ dần. Mỗi lần chạy hết tập huấn luyện là một epoch; qua nhiều epoch mạng học dần đến khi đầu ra đủ tốt thì dừng.
📝 Bẫy hay gặp
Đề hay cho một phát biểu nghe hợp lý nhưng sai — nhớ mấy chỗ gài sau:
- "Mạng học bằng cách thay đổi kiến trúc lớp" → SAI: mạng học bằng cách điều chỉnh weights & bias, kiến trúc do hyperparameter định.
- "Hàm kích hoạt là tuyến tính" → SAI: nó phi tuyến — nhờ đó mạng học được quan hệ phức tạp.
- "1 epoch = 1 mẫu dữ liệu" → SAI: 1 epoch = một lượt qua toàn bộ tập huấn luyện.
📌 Ghi nhớ
3 lớp: input · hidden (nơ-ron) · output
Nơ-ron: tổng có trọng số + bias → hàm kích hoạt phi tuyến
Học: loss dội ngược → chỉnh weights/bias qua từng epoch
Với tester: mạng nơ-ron không có đường code tường minh — hành vi nằm ở weights/bias/activation đã học. Đây là gốc rễ khiến phải có coverage riêng cho mạng nơ-ron (mục 3.4.3) thay vì phủ nhánh code như phần mềm thường.
📖 Thuật ngữ Anh–Việt (mục này)
Đề thi dùng thuật ngữ tiếng Anh — nhớ đúng cụm bên trái. Bấm 🔊 để nghe từng từ, hoặc "Đọc tất cả" để nghe lần lượt Anh → (vài giây) → Việt.
| Thuật ngữ (EN) | Nghĩa & ghi nhớ nhanh |
|---|---|
| Neural network | Mạng nơ-ron — mô phỏng mạng nơ-ron não |
| Deep neural network | Mạng nơ-ron sâu — nhiều lớp |
| Perceptron | Perceptron — nơ-ron/đơn vị mạng đơn giản nhất |
| Single-layer perceptron | Perceptron một lớp — phân loại nhị phân tuyến tính |
| Input layer | Lớp vào |
| Hidden layer | Lớp ẩn |
| Output layer | Lớp ra |
| Neuron | Nơ-ron (node) — đơn vị tính toán |
| Weight | Trọng số — độ quan trọng của một kết nối |
| Bias (nơ-ron) | Độ lệch cộng thêm cho nơ-ron (khác bias thiên lệch dữ liệu) |
| Activation value | Giá trị kích hoạt — đầu ra của một nơ-ron |
| Activation function | Hàm kích hoạt — phi tuyến |
| Loss | Sai số/hàm mất mát — chênh giữa đầu ra và đáp án |
| Epoch | Một lượt chạy hết toàn bộ tập huấn luyện |
🎯 Câu hỏi minh họa (phong cách đề CT-AI · K2)
During training, how does a deep neural network primarily learn?
- a) By adjusting its weights and bias values to minimise the loss.
- b) By adding new hidden layers automatically each epoch.
- c) By rewriting explicit if-then rules.
- d) By changing the activation function to a linear one.
Xem bản dịch tiếng Việt
Khi huấn luyện, mạng nơ-ron sâu học chủ yếu bằng cách nào?
a) Điều chỉnh weights & bias để giảm loss.
b) Tự thêm lớp ẩn mới mỗi epoch.
c) Viết lại các luật if-then tường minh.
d) Đổi hàm kích hoạt sang tuyến tính.
Xem đáp án & giải thích
✅ Đáp án đúng: a — Mạng điều chỉnh weights & bias để giảm sai số (loss).
b sai — số lớp do hyperparameter định, không tự thêm mỗi epoch.
c sai — mạng nơ-ron không dùng luật if-then tường minh.
d sai — hàm kích hoạt cần phi tuyến.
Đề để tiếng Anh cho sát đề thi thật; phần giải thích để tiếng Việt cho dễ hiểu. Câu hỏi do maiqai.com tự soạn theo phong cách đề.
📎 Nguồn: Chương 3 – Machine Learning, mục 3.4.1 "Structure and Working of a Deep Neural Network", trang 36 — ISTQB® Certified Tester AI Testing Syllabus v2.0 (© International Software Testing Qualifications Board). Nội dung biên soạn/dịch ý lại bằng tiếng Việt, không sao chép nguyên văn.