Học sâu là một kỹ thuật học máy, dạy máy tính làm những gì tự nhiên đến với con người: học bằng ví dụ. Học sâu là một công nghệ quan trọng đằng sau những chiếc xe không người lái, cho phép họ nhận ra biển báo dừng hoặc phân biệt người đi bộ với cột đèn. Nó là chìa khóa để điều khiển giọng nói trong các thiết bị tiêu dùng như điện thoại, máy tính bảng, TV và loa không dùng tay điều khiển. Học sâu đang nhận được nhiều sự chú ý gần đây và vì mhững lý do tốt nêu trên. Nó đạt được kết quả mà trước đây không thể có được.Trong học tập sâu, một mô hình máy tính học cách thực hiện các nhiệm vụ phân loại trực tiếp từ hình ảnh, văn bản hoặc âm thanh. Các mô hình học tập sâu có thể đạt được độ chính xác hiện đại, đôi khi vượt quá hiệu suất của con người. Các mô hình được đào tạo bằng cách sử dụng một tập hợp lớn dữ liệu có gắn nhãn và kiến trúc mạng thần kinh có chứa nhiều lớp.Tại sao học tập sâu được quan tâmLàm thế nào để học sâu đạt được kết quả ấn tượng như vậy?Học sâu đạt được độ chính xác công nhận ở mức cao hơn bao giờ hết. Điều này giúp thiết bị điện tử tiêu dùng đáp ứng mong đợi của người dùng và nó rất quan trọng đối với các ứng dụng quan trọng về an toàn như xe không người lái. Những tiến bộ gần đây trong học tập sâu đã cải thiện đến mức học sâu vượt trội hơn con người trong một số nhiệm vụ như phân loại các đối tượng trong hình ảnh.Mặc dù học sâu lần đầu tiên được lý thuyết hóa vào những năm 1980, có hai lý do chính khiến nó gần đây trở nên hữu ích:1. Học sâu đòi hỏi một lượng lớn dữ liệu được gắn nhãn. Ví dụ, phát triển xe không người lái đòi hỏi hàng triệu hình ảnh và hàng ngàn giờ video.2. Học sâu đòi hỏi sức mạnh tính toán đáng kể. GPU hiệu suất cao có kiến trúc song song hiệu quả cho việc học sâu. Khi kết hợp với các cụm hoặc điện toán đám mây, điều này cho phép các nhóm phát triển giảm thời gian đào tạo cho một mạng lưới học tập sâu từ vài tuần đến vài giờ hoặc ít hơn.Ví dụ về Học sâu tại nơi làm việcCác ứng dụng học sâu được sử dụng trong các ngành công nghiệp từ lái xe tự động đến các thiết bị y tế.Lái xe tự động: Các nhà nghiên cứu ô tô đang sử dụng học sâu để tự động phát hiện các vật thể như biển báo dừng và đèn giao thông. Ngoài ra, học sâu được sử dụng để phát hiện người đi bộ, giúp giảm tai nạn.Không gian vũ trụ và quốc phòng: Học sâu được sử dụng để xác định các vật thể từ các vệ tinh, xác định vị trí khu vực quan tâm, và xác định các khu vực an toàn hoặc không an toàn cho quân đội.Nghiên cứu y học: Các nhà nghiên cứu ung thư đang sử dụng học tập sâu để tự động phát hiện các tế bào ung thư. Các nhóm tại UCLA đã chế tạo một kính hiển vi tiên tiến tạo ra một bộ dữ liệu bao quát được sử dụng nhằm đào tạo một ứng dụng học sâu để xác định chính xác các tế bào ung thư.Tự động hóa công nghiệp: Học sâu là giúp cải thiện sự an toàn của công nhân xung quanh máy móc hạng nặng bằng cách tự động phát hiện khi người hoặc vật nằm trong khoảng cách không an toàn của máy.Điện tử: Học sâu đang được sử dụng trong phiên dịch nghe và nói tự động. Ví dụ: các thiết bị trợ giúp tại nhà đáp ứng giọng nói của bạn và biết sở thích của bạn được cung cấp bởi các ứng dụng học sâu.Cách Học sâuHầu hết các phương pháp học sâu sử dụng kiến trúc mạng thần kinh, đó là lý do tại sao các mô hình học sâu thường được gọi là mạng thần kinh sâu .Thuật ngữ sâu (Deep) thường đề cập đến số lượng các lớp ẩn trong mạng lưới thần kinh. Mạng thần kinh truyền thống chỉ chứa 2-3 lớp ẩn, trong khi mạng sâu có thể có tới 150.Các mô hình học tập sâu được đào tạo bằng cách sử dụng các tập hợp lớn dữ liệu có nhãn và kiến trúc mạng thần kinh học các tính năng trực tiếp từ dữ liệu mà không cần phải trích xuất tính năng thủ công.Một trong những loại mạng thần kinh sâu phổ biến nhất được gọi là mạng thần kinh tích chập (Convolutional neural network CNN hoặc ConvNet). Một mạng thần kinh tích chập CNN kết hợp các tính năng đã học với dữ liệu đầu vào và sử dụng các lớp chập 2D, làm cho kiến trúc này rất phù hợp để xử lý dữ liệu 2D, chẳng hạn như hình ảnh.