Xây dựng mô hình học sâu bằng Keras cho người mới

Học sâu (Deep Learning) đang trở thành nền tảng của nhiều công nghệ hiện đại, từ nhận diện giọng nói, xử lý ngôn ngữ tự nhiên đến thị giác máy tính. Đối với người mới bắt đầu, việc tiếp cận học sâu có thể gây choáng ngợp vì khái niệm mới, kiến trúc phức tạp, và yêu cầu về xử lý dữ liệu. Tuy nhiên, với các thư viện mạnh mẽ như Keras, việc xây dựng và huấn luyện mô hình học sâu đã trở nên dễ dàng hơn bao giờ hết.

Nếu bạn đã từng đọc bài Giải thích các bước xây dựng pipeline học máy, bạn sẽ thấy rằng quy trình xử lý dữ liệu và huấn luyện mô hình trong học máy cũng áp dụng được cho học sâu. Keras giúp đóng gói toàn bộ các bước này thành một quy trình rõ ràng, trực quan, phù hợp cho cả người mới lẫn lập trình viên chuyên nghiệp.

Học sâu là gì?

Khái niệm cơ bản

Học sâu là một nhánh của học máy (machine learning), sử dụng các mạng nơ-ron nhân tạo nhiều tầng (deep neural networks) để học các biểu diễn phức tạp của dữ liệu. Trong các mạng này, dữ liệu đi qua nhiều lớp ẩn (hidden layers), mỗi lớp học những đặc trưng trừu tượng hơn của dữ liệu.

Ví dụ: khi nhận diện ảnh mèo, các tầng đầu học nhận diện cạnh và góc, các tầng giữa nhận diện mắt, tai, mũi, và các tầng cuối học cách nhận diện toàn bộ khuôn mặt mèo.

Ưu điểm của học sâu

• Tự động trích xuất đặc trưng từ dữ liệu, không cần lập trình viên thiết kế thủ công.

• Khả năng mở rộng cao: xử lý tốt dữ liệu lớn, kiến trúc phức tạp.

• Ứng dụng đa dạng: thị giác máy tính, NLP, xe tự lái, y tế.

Giới thiệu về Keras

Keras là một API học sâu cấp cao chạy trên các backend mạnh mẽ như TensorFlow, CNTK hoặc Theano. Đặc điểm nổi bật của Keras:

• Đơn giản, dễ học: Cú pháp trực quan, ngắn gọn.

• Mô-đun hóa: Cho phép xây dựng mạng bằng cách ghép các layer như lego.

• Hỗ trợ nhiều loại mạng: CNN, RNN, GAN, Transformer.

• Tích hợp tốt với TensorFlow: Kể từ TensorFlow 2.x, Keras là API chính thức.

Chuẩn bị môi trường làm việc

Cài đặt Keras và TensorFlow

pip install tensorflow

Kiểm tra phiên bản:

import tensorflow as tf
print(tf.__version__)

from tensorflow.keras.datasets import mnist

# Tải dữ liệu
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# Kiểm tra kích thước
print(X_train.shape, y_train.shape)
print(X_test.shape, y_test.shape)

X_train = X_train / 255.0
X_test = X_test / 255.0

X_train = X_train.reshape(-1, 28, 28, 1)
X_test = X_test.reshape(-1, 28, 28, 1)

from tensorflow.keras.utils import to_categorical

y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

from tensorflow.keras import models, layers

model = models.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    layers.MaxPooling2D(2,2),
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.MaxPooling2D(2,2),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(X_train, y_train, epochs=5,
                    validation_data=(X_test, y_test))

test_loss, test_acc = model.evaluate(X_test, y_test)
print(f'Độ chính xác trên tập test: {test_acc:.2f}')

import matplotlib.pyplot as plt

plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

model.save('mnist_cnn_model.h5')

from tensorflow.keras.models import load_model
new_model = load_model('mnist_cnn_model.h5')