Ch&agrave;o mừng c&aacute;c bạn đến với b&agrave;i viết thứ s&aacute;u trong loạt b&agrave;i về&nbsp;<a href="https://tek4.vn/lap-trinh-neural-network-voi-pytorch-deep-learning-voi-pytorch/" target="_blank" rel="noopener">Lập Tr&igrave;nh Neural Network Với Pytorch</a>.&nbsp;Trong b&agrave;i viết n&agrave;y, ch&uacute;ng ta sẽ xem x&eacute;t một v&iacute; dụ thực tế chứng minh việc sử dụng c&aacute;c kh&aacute;i niệm tensor rank, axes v&agrave; shape.&nbsp;Để l&agrave;m điều n&agrave;y, ch&uacute;ng ta sẽ xem một đầu v&agrave;o tensor cho một mạng neural t&iacute;ch chập (Convolutional Neural Networks).
<h3 class="sub-section-heading" style="text-align: justify;">Convolutional Neural Network</h3>
Trong loạt b&agrave;i về lập tr&igrave;nh mạng neural n&agrave;y, ch&uacute;ng ta sẽ x&acirc;y dựng một mạng neural t&iacute;ch chập (CNN), v&igrave; vậy h&atilde;y xem đầu v&agrave;o tensor cho CNN.
<img style="width: 100%;" src="http://tek4vn.2soft.top/public_files/capture-169-png-1" alt="Capture-169" />
Trong hai b&agrave;i viết trước, ch&uacute;ng ta đ&atilde; được giới thiệu về <a href="https://tek4.vn/gioi-thieu-tensors-lap-trinh-neural-network-voi-pytorch-bai-4/" target="_blank" rel="noopener">tensors</a>, t&igrave;m hiểu về <a href="https://tek4.vn/rank-axes-va-shape-lap-trinh-neural-network-voi-pytorch-bai-5/" target="_blank" rel="noopener">rank, axes v&agrave; shape</a> của tensor.&nbsp;Nếu bạn chưa đọc những b&agrave;i viết đ&oacute;, t&ocirc;i thực sự khuy&ecirc;n bạn n&ecirc;n đọc ch&uacute;ng.
B&acirc;y giờ ch&uacute;ng ta sẽ đưa c&aacute;c kh&aacute;i niệm về rank, axes v&agrave; shape để sử dụng v&agrave;o một v&iacute; dụ thực tế.&nbsp;Để l&agrave;m điều n&agrave;y, ch&uacute;ng ta sẽ coi đầu v&agrave;o l&agrave; h&igrave;nh ảnh như một tensor đối với CNN.
Mạng neural t&iacute;ch chập&nbsp;l&agrave; m&ocirc; h&igrave;nh tốt nhất cho mục đ&iacute;ch ph&acirc;n loại h&igrave;nh ảnh.
<img style="width: 100%;" src="http://tek4vn.2soft.top/public_files/fashion-mnist-grid-sample-png-1" alt="fashion-mnist-grid-sample" />
Như đ&atilde; tr&igrave;nh b&agrave;y trong b&agrave;i trước, shape của tensor chứa tất cả th&ocirc;ng tin li&ecirc;n quan về c&aacute;c&nbsp;axes, rank v&agrave; indexes của tensor, v&igrave; vậy ch&uacute;ng ta chỉ cần xem x&eacute;t shape l&agrave; c&oacute; thể t&igrave;m ra c&aacute;c gi&aacute; trị kh&aacute;c
<h3 class="section-heading" style="text-align: justify;">Shape Của Đầu V&agrave;o CNN</h3>
Shape&nbsp;của đầu v&agrave;o CNN thường c&oacute; độ d&agrave;i l&agrave; 4.&nbsp;Điều n&agrave;y c&oacute; nghĩa l&agrave; ch&uacute;ng ta c&oacute; một tensor&nbsp;rank-4 với 4 axes.&nbsp;Mỗi index trong shape tensor đại diện cho một axis cụ thể v&agrave; gi&aacute; trị tại mỗi index cho ch&uacute;ng ta độ d&agrave;i của axis tương ứng.
Mỗi axis của tensor thường đại diện cho một số loại đặc trưng logic&nbsp;của dữ liệu đầu v&agrave;o.&nbsp;Nếu ch&uacute;ng ta hiểu từng đặc trưng n&agrave;y v&agrave; vị tr&iacute; axis của ch&uacute;ng trong tensor, th&igrave; ch&uacute;ng ta c&oacute; thể hiểu kh&aacute; tốt về cấu tr&uacute;c dữ liệu tensor tổng thể.
H&atilde;y nhớ rằng axis cuối c&ugrave;ng, l&agrave; nơi ch&uacute;ng ta sẽ bắt đầu, l&agrave; nơi chứa c&aacute;c con số hoặc gi&aacute; trị dữ liệu thực tế.&nbsp;Nếu ch&uacute;ng ta đang chạy dọc theo axis cuối c&ugrave;ng v&agrave; ch&uacute;ng ta dừng lại để kiểm tra một phần tử ở đ&oacute;, th&igrave; phần tử đ&oacute; sẽ l&agrave; một con số.&nbsp;Nếu ch&uacute;ng ta đang chạy dọc theo bất kỳ axis n&agrave;o kh&aacute;c, th&igrave; c&aacute;c phần tử l&agrave; c&aacute;c mảng đa chiều.
Đối với h&igrave;nh ảnh, dữ liệu th&ocirc; c&oacute; dạng pixel được biểu thị bằng một số v&agrave; được bố tr&iacute; bằng hai k&iacute;ch thước l&agrave; chiều cao v&agrave; chiều rộng.
<h4 style="text-align: justify;">Chiều Cao V&agrave; Chiều Rộng H&igrave;nh Ảnh</h4>
Để biểu diễn 2 chiều ch&uacute;ng ta cần 2 axes
<img style="width: 315px; display: block; margin-left: auto; margin-right: auto;" src="http://tek4vn.2soft.top/public_files/fashion-mnist-ankle-boot-png-1" alt="fashion-mnist-ankle-boot" height="312" />
Chiều cao v&agrave; chiều rộng của h&igrave;nh ảnh được thể hiện tr&ecirc;n hai axes.&nbsp;C&aacute;c gi&aacute; trị c&oacute; thể c&oacute; ở đ&acirc;y l&agrave; 28 x 28, như trường hợp dữ liệu h&igrave;nh ảnh của ch&uacute;ng ta l&agrave; trong tập dữ liệu thời trang-MNIST hoặc k&iacute;ch thước h&igrave;nh ảnh 224 x 224 được sử dụng bởi mạng neural VGG16 hoặc bất kỳ c&aacute;c k&iacute;ch thước h&igrave;nh ảnh kh&aacute;c m&agrave; ch&uacute;ng ta c&oacute; thể sử dụng.
<h4 style="text-align: justify;">K&ecirc;nh M&agrave;u Của H&igrave;nh Ảnh</h4>
Axis đại diện cho c&aacute;c k&ecirc;nh m&agrave;u.&nbsp;C&aacute;c gi&aacute; trị điển h&igrave;nh ở đ&acirc;y l&agrave; 3 cho h&igrave;nh ảnh RGB hoặc 1 nếu ch&uacute;ng ta đang l&agrave;m việc với h&igrave;nh ảnh thang độ x&aacute;m.&nbsp;Việc biểu diễn k&ecirc;nh m&agrave;u n&agrave;y chỉ &aacute;p dụng cho đầu v&agrave;o của tensor.
c&aacute;ch biểu diễn axis n&agrave;y thay đổi sau khi tensor đi qua một lớp convolutional.&nbsp;Cho đến thời điểm n&agrave;y bằng c&aacute;ch sử dụng ba axes cuối c&ugrave;ng, ch&uacute;ng ta đ&atilde; biểu diễn một h&igrave;nh ảnh ho&agrave;n chỉnh dưới dạng một tensor.&nbsp;Ch&uacute;ng ta c&oacute; c&aacute;c k&ecirc;nh m&agrave;u, chiều cao v&agrave; chiều rộng tất cả được tr&igrave;nh b&agrave;y ở dạng tensor sử dụng ba axes.
ề mặt truy cập dữ liệu tại thời điểm n&agrave;y, ch&uacute;ng ta cần ba indexes.&nbsp;Ch&uacute;ng ta chọn k&ecirc;nh m&agrave;u, chiều cao v&agrave; chiều rộng để đi đến gi&aacute; trị pixel cụ thể.
<h3 class="section-heading" style="text-align: justify;">Output Channels V&agrave; Feature Maps</h3>
H&atilde;y xem c&aacute;ch biểu diễn axis k&ecirc;nh m&agrave;u thay đổi như thế n&agrave;o sau khi tensor được biến đổi bởi một lớp convolutional. Giả sử ch&uacute;ng ta c&oacute; một tensor chứa dữ liệu từ một h&igrave;nh ảnh thang độ x&aacute;m 28 x 28.&nbsp;Điều n&agrave;y cho ch&uacute;ng ta shape của tensor sau: [1, 1, 28, 28].
B&acirc;y giờ, giả sử h&igrave;nh ảnh n&agrave;y được chuyển đến CNN của ch&uacute;ng ta v&agrave; đi qua lớp chập (convolutional) đầu ti&ecirc;n.&nbsp;Khi điều n&agrave;y xảy ra, shape của tensor v&agrave; dữ liệu cơ bản sẽ bị thay đổi bởi ph&eacute;p to&aacute;n t&iacute;ch chập.
Ph&eacute;p chập thay đổi k&iacute;ch thước chiều cao v&agrave; chiều rộng cũng như số lượng k&ecirc;nh.&nbsp;Số lượng k&ecirc;nh đầu ra thay đổi dựa tr&ecirc;n số lượng bộ lọc đang được sử dụng trong lớp chập.
Giả sử ch&uacute;ng ta c&oacute; ba bộ lọc convolutional v&agrave; h&atilde;y chỉ ra xem điều g&igrave; xảy ra với axis của k&ecirc;nh:
V&igrave; ch&uacute;ng ta c&oacute; ba bộ lọc convolutional n&ecirc;n ch&uacute;ng ta sẽ c&oacute; ba đầu ra k&ecirc;nh từ lớp t&iacute;ch chập.&nbsp;Mỗi bộ lọc trong số ba bộ lọc chuyển đổi k&ecirc;nh đầu v&agrave;o ban đầu tạo ra ba k&ecirc;nh đầu ra.&nbsp;C&aacute;c k&ecirc;nh đầu ra vẫn bao gồm c&aacute;c pixel, nhưng c&aacute;c pixel đ&atilde; được thay đổi bằng ph&eacute;p to&aacute;n t&iacute;ch chập.&nbsp;T&ugrave;y thuộc v&agrave;o k&iacute;ch thước của bộ lọc, k&iacute;ch thước chiều cao v&agrave; chiều rộng của đầu ra cũng sẽ thay đổi. Ch&uacute;ng ta sẽ t&igrave;m hiểu chi tiết hơn trong c&aacute;c b&agrave;i viết tiếp theo.
<h4 class="sub-section-heading" style="text-align: justify;">Feature Maps</h4>
Với c&aacute;c k&ecirc;nh đầu ra, ch&uacute;ng ta sẽ kh&ocirc;ng c&ograve;n c&oacute; c&aacute;c k&ecirc;nh m&agrave;u nữa, m&agrave; l&agrave; c&aacute;c k&ecirc;nh đ&atilde; sửa đổi v&agrave; được gọi l&agrave;&nbsp;feature maps.&nbsp;C&aacute;i được gọi l&agrave;&nbsp;feature maps n&agrave;y l&agrave; kết quả đầu ra của c&aacute;c biến chập diễn ra bằng c&aacute;ch sử dụng c&aacute;c k&ecirc;nh m&agrave;u đầu v&agrave;o v&agrave; c&aacute;c bộ lọc&nbsp;convolutional
<pre><code>Feature maps are the output channels created from the convolutions.</code></pre>
Từ &ldquo;feature&rdquo; được sử dụng v&igrave; c&aacute;c kết quả đầu ra đại diện cho c&aacute;c đặc trưng cụ thể của h&igrave;nh ảnh, chẳng hạn như c&aacute;c cạnh v&agrave; c&aacute;c mappings n&agrave;y xuất hiện khi mạng học được trong qu&aacute; tr&igrave;nh đ&agrave;o tạo v&agrave; trở n&ecirc;n phức tạp hơn khi ch&uacute;ng ta di chuyển s&acirc;u hơn v&agrave;o mạng.
<h3 style="text-align: justify;">Kết Luận</h3>
B&agrave;i viết n&agrave;y đ&atilde; giới thiệu cho ch&uacute;ng ta về shape của một tensor l&agrave; đầu v&agrave;o cho CNN.&nbsp;Ch&uacute;ng ta sẽ hiểu s&acirc;u hơn về kh&aacute;i niệm n&agrave;y trong c&aacute;c b&agrave;i đăng tiếp theo khi ch&uacute;ng ta bắt đầu x&acirc;y dựng CNN của ri&ecirc;ng m&igrave;nh. Hi vọng bạn th&iacute;ch b&agrave;i n&agrave;y.
Hẹn gặp lại bạn trong b&agrave;i viết tiếp theo!
&nbsp;
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>
&nbsp;

Admin

CNN Tensor Shape – Lập Trình Neural Network Với Pytorch Bài 6

Cùng tác giả

Admin

Có liên quan