Hướng dẫn huấn luyện mô hình với Google Colab

Trong kỷ nguyên của trí tuệ nhân tạo, việc xây dựng hệ thống nhận diện chữ viết tay không còn xa lạ mà đã trở thành một bài toán kinh điển để rèn luyện kiến thức về Deep Learning và Computer Vision. Ứng dụng thực tế của nó trải dài từ nhận dạng số trên biểu mẫu ngân hàng, xử lý phiếu khảo sát, đến xây dựng các hệ thống kiểm tra trắc nghiệm tự động. Một trong những bộ dữ liệu nổi tiếng nhất để giải quyết bài toán này là MNIST – tập dữ liệu gồm 70.000 ảnh chữ số viết tay kích thước 28×28 pixel. Nếu bạn từng tìm hiểu về phân tích dữ liệu y tế từ file CSV hoặc Phân loại hình ảnh đồ ăn bằng mô hình pretrained MobileNet thì cách tiếp cận trong bài toán này sẽ mang đến nhiều khái niệm quen thuộc và thú vị.

Bài viết này sẽ hướng dẫn bạn từng bước xây dựng mô hình CNN trên Google Colab để phân loại chữ số viết tay với độ chính xác cao. Từ cách tải dữ liệu MNIST, tiền xử lý ảnh, thiết kế mạng nơ-ron tích chập cho đến huấn luyện mô hình bằng GPU miễn phí trên Colab, tất cả sẽ được trình bày chi tiết. Đây là một dự án lý tưởng để bổ sung vào portfolio cho sinh viên, lập trình viên và những người mới bắt đầu hành trình trở thành Data Scientist.

Google Colab là gì? Tại sao cần sử dụng để huấn luyện mô hình

Google Colab là một dịch vụ miễn phí của Google cho phép lập trình Python trực tiếp trên trình duyệt với môi trường cấu hình sẵn. Nó dựa trên Jupyter Notebook và hỗ trợ lưu trữ trên Google Drive, giúp người dùng dễ dàng viết, chạy và chia sẻ mã nguồn mà không cần cài đặt phần mềm hay phần cứng phức tạp.

Khi huấn luyện các mô hình học sâu như mạng nơ-ron tích chập (CNN), thời gian và hiệu suất phần cứng là yếu tố quan trọng. Colab cung cấp miễn phí GPU và TPU mạnh mẽ, giúp đẩy nhanh quá trình huấn luyện so với máy tính cá nhân không có GPU chuyên dụng. Đây là lợi thế lớn cho sinh viên và lập trình viên khi làm việc với các bài toán như nhận diện chữ viết tay bằng MNIST.

Ngoài ra, Colab hỗ trợ kết nối Google Drive để lưu trữ dữ liệu, cài đặt thư viện tùy chỉnh và tải dữ liệu từ internet hoặc Kaggle. Với sự tiện lợi và sức mạnh phần cứng miễn phí, đây là nền tảng lý tưởng để thử nghiệm và triển khai các dự án Machine Learning nhanh chóng.

Kết nối Google Colab và cài đặt môi trường

Đầu tiên, bạn cần truy cập vào Google Colab bằng tài khoản Google của mình. Tại giao diện chính, chọn File > New Notebook để tạo một notebook mới. Để tận dụng GPU, vào Runtime > Change runtime type và chọn Hardware accelerator: GPU, sau đó nhấn Save.

Tiếp theo, bạn cần cài đặt các thư viện cần thiết. Google Colab đã cài sẵn hầu hết các thư viện như TensorFlow và Keras, nhưng để đảm bảo môi trường sẵn sàng, chạy đoạn mã sau:

# Kiểm tra phiên bản TensorFlow
import tensorflow as tf
print("TensorFlow version:", tf.__version__)

Nếu cần cài đặt phiên bản cụ thể, bạn có thể dùng:

!pip install tensorflow==2.15

from tensorflow.keras.datasets import mnist

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

# Chuẩn hóa dữ liệu
X_train = X_train.reshape(-1, 28, 28, 1).astype("float32") / 255
X_test = X_test.reshape(-1, 28, 28, 1).astype("float32") / 255

# One-hot encode labels
from tensorflow.keras.utils import to_categorical
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

# Tạo mô hình CNN
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D(2, 2),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),
    Dense(10, activation='softmax')
])

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

history = model.fit(X_train, y_train,
                    epochs=10,
                    batch_size=128,
                    validation_split=0.1)

test_loss, test_acc = model.evaluate(X_test, y_test)
print("Độ chính xác trên tập test:", test_acc)

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.title('Biểu đồ Accuracy theo Epoch')
plt.legend()
plt.show()

model.save("mnist_cnn_model.h5")

from google.colab import files
files.download("mnist_cnn_model.h5")