Convolutional neural networks là gì? Cách hoạt động của CNN

Trong lĩnh vực trí tuệ nhân tạo, mô hình Convolutional Neural Networks (CNN) là một bước tiến lớn trong xử lý ảnh và video.

Vậy Convolutional neural networks là gì và vì sao nó lại trở thành công cụ không thể thiếu trong thị giác máy tính hiện đại? Bài viết sau sẽ giúp bạn hiểu rõ hơn về CNN.

Convolutional Neural Networks là gì?

Convolutional Neural Networks (CNN) là một dạng đặc biệt của mạng nơ-ron nhân tạo, được thiết kế để xử lý dữ liệu dạng lưới như hình ảnh.

Thay vì xử lý toàn bộ dữ liệu đầu vào như mạng fully connected truyền thống, CNN khai thác các lớp tích chập (convolutional layers) để trích xuất các đặc trưng cục bộ.

Điểm mạnh của CNN là khả năng phát hiện các đặc trưng như đường viền, hình dạng, hoa văn từ ảnh đầu vào mà không cần phải gán nhãn thủ công.

Chính vì vậy CNN thường được áp dụng trong các bài toán như nhận diện khuôn mặt, phân loại hình ảnh, tự động phát hiện vật thể,…

Cách thức hoạt động của CNN xử lý hình ảnh

Để hiểu sâu hơn Convolutional neural networks là gì, mọi người cần hình dung rõ ràng cách CNN “nhìn” và “hiểu” một hình ảnh theo từng lớp.

– Tiền xử lý ảnh đầu vào

Khi một ảnh được đưa vào hệ thống CNN, việc đầu tiên là chuyển đổi ảnh sang định dạng số (matrix số thực).

Hình ảnh màu thường được biểu diễn dưới dạng 3 kênh (RGB), trong khi ảnh đen trắng chỉ cần 1 kênh.

Thông thường ảnh cũng được chuẩn hóa (normalization) để giá trị pixel nằm trong khoảng 0 đến 1, giúp tăng tốc quá trình học và tránh hiện tượng gradient biến mất.

– Lớp tích chập đầu tiên

Lớp convolutional đầu tiên sử dụng các bộ lọc (filters/kernels) nhỏ như 3×3, 5×5 trượt qua ảnh để phát hiện các đặc trưng đơn giản:

• Cạnh ngang, dọc, chéo
• Đường viền rõ ràng giữa vật thể và nền
• Sự thay đổi đột ngột về độ sáng
• Các đặc trưng này là nền tảng để mạng hiểu cấu trúc cơ bản của ảnh.

– Lớp kích hoạt ReLU

Sau lớp tích chập, mạng sử dụng hàm kích hoạt ReLU (Rectified Linear Unit) để thay thế tất cả giá trị âm bằng 0.

Điều này giúp mạng học nhanh hơn và tạo ra tính phi tuyến, tức là khả năng học được các đặc điểm phức tạp thay vì chỉ quan hệ tuyến tính đơn giản.

– Lớp pooling

Tiếp theo là một lớp pooling, thường là Max Pooling. Mỗi vùng nhỏ của feature map sẽ được rút gọn lại chỉ bằng giá trị lớn nhất.

Ví dụ: một vùng 2×2 sẽ chỉ còn 1 giá trị duy nhất điều này giúp:

• Giảm kích thước dữ liệu
• Giảm số lượng tham số cần học
• Giảm hiện tượng overfitting
• Giữ lại đặc trưng mạnh nhất trong vùng

– Lặp lại quá trình

CNN tiếp tục thêm các lớp tích chập – kích hoạt – pooling lặp lại nhiều lần. Trong các lớp sâu hơn, bộ lọc không còn chỉ nhận diện đường viền đơn giản mà bắt đầu:

• Nhận diện hình dáng như mắt, tai, chân (nếu là động vật)
• Nhận diện biểu cảm khuôn mặt, kiểu dáng xe, vật dụng
• Nhận diện cả các khối phức tạp như tòa nhà, con người, môi trường
• Qua từng lớp, mạng học từ thông tin cấp thấp (low-level features) đến thông tin cấp cao (high-level features).

– Lớp fully connected: Tổng hợp và phân loại

Sau khi đi qua chuỗi lớp tích chập và pooling, hình ảnh không còn là ảnh nữa mà là một vector đặc trưng, chính là “hiểu” ảnh đó.

Vector này được đưa vào một hoặc nhiều lớp kết nối đầy đủ (fully connected), nơi mỗi node liên kết với toàn bộ đầu vào từ lớp trước.

Lớp cuối cùng thường là lớp softmax (trong bài toán phân loại), giúp đưa ra xác suất ảnh thuộc các lớp (ví dụ: mèo – 95%, chó – 3%, gấu – 2%).

Chính nhờ cơ chế xử lý phân tầng chồng lớp như vậy mà CNN có thể phân biệt được hàng trăm nghìn loại ảnh khác nhau chỉ bằng cách “nhìn” vào pixel, điều mà trước đây chỉ có con người mới làm được.

Các mô hình CNN – Convolutional Neural Networks

Một số mô hình CNN – Convolutional Neural Networks:

LeNet-5

Ra đời năm 1998 bởi Yann LeCun, LeNet-5 là CNN đầu tiên dùng cho nhận dạng chữ viết tay.

Cấu trúc đơn giản với 7 lớp, gồm tích chập, pooling và kết nối đầy đủ. Dù đã lỗi thời, LeNet-5 vẫn được xem là nền móng quan trọng giúp định hình khái niệm Convolutional neural networks là gì trong các ứng dụng AI hiện đại.

AlexNet

Mô hình tạo tiếng vang lớn năm 2012 khi chiến thắng ImageNet. AlexNet sử dụng ReLU, dropout và được huấn luyện trên GPU.

Gồm 8 lớp, khả năng trích xuất đặc trưng vượt trội, mở đầu cho kỷ nguyên học sâu trong thị giác máy tính.

VGGNet

VGGNet của Đại học Oxford gây ấn tượng bởi cấu trúc đơn giản – chỉ dùng kernel 3×3 và pooling 2×2.

VGG16 và VGG19 có độ sâu lớn, khả năng học đặc trưng mạnh nhưng khá nặng, phù hợp cho transfer learning thay vì chạy trực tiếp trên thiết bị yếu.

GoogLeNet (Inception)

GoogLeNet sử dụng module Inception – thực hiện đồng thời nhiều phép tích chập (1×1, 3×3, 5×5).

Mạng có 22 lớp nhưng chỉ ~5 triệu tham số, tiết kiệm tài nguyên, hiệu quả cao. Là bước đột phá về thiết kế CNN theo hướng mô-đun.

ResNet

Ra mắt năm 2015, ResNet dùng cơ chế skip connection giúp huấn luyện mạng cực sâu (tới 152 lớp) mà không bị suy giảm gradient.

Phiên bản ResNet-50 rất phổ biến trong các hệ thống AI thương mại nhờ hiệu quả học sâu vượt trội.

DenseNet

DenseNet kết nối mọi lớp với nhau (dense connections), giúp lan truyền gradient tốt hơn và tái sử dụng đặc trưng.

Mô hình nhẹ, chính xác cao, rất được ưa chuộng trong nhận diện y tế và phân loại ảnh hiệu quả.

MobileNet

MobileNet được thiết kế nhẹ, tối ưu hóa cho thiết bị di động. Áp dụng depthwise separable convolution để giảm tham số mà vẫn giữ độ chính xác.

Phù hợp cho ứng dụng thực tế như nhận diện khuôn mặt trên smartphone.

Efficient Net

EfficientNet do Google phát triển, dùng Auto ML để cân bằng giữa độ sâu, độ rộng và độ phân giải ảnh.

Nhỏ gọn nhưng cực kỳ hiệu quả, là lựa chọn hàng đầu trong các hệ thống AI tiết kiệm tài nguyên mà vẫn cần độ chính xác cao.

Kết luận

Hiểu rõ Convolutional neural networks là gì chính là chìa khóa mở ra thế giới AI hiện đại.

Với sức mạnh vượt trội trong xử lý hình ảnh và khả năng học tự động, CNN đã và sẽ còn đóng vai trò quan trọng trong cuộc cách mạng công nghệ 4.0.