Mạng nơron nhân tạo và ứng dụng

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

MỤC LỤC

Tổng quan về mạng nơron nhân tạo..................................................................2

Mạng nơron lan truyền ngược sai số...............................................................13

Giải thuật di truyền...........................................................................................29

Giới thiệu về JOONE........................................................................................45

Phát triển JOONE.............................................................................................62

Kiểm nghiệm lại các quy tắc học đã cài đặt. Ứng dụng JOONE cho bài toán

tính năng lượng bức xạ mặt trời......................................................................95

KẾT LUẬN......................................................................................................117

PHỤ LỤC A - Hướng dẫn cài đặt và sử dụng...............................................119

PHỤ LỤC B - Bảng chữ viết tắt và thuật ngữ...............................................120

PHỤ LỤC C – Danh sách cỏc hỡnh...............................................................121

PHỤ LỤC E – Danh sách các bảng................................................................124

PHỤ LỤC F – Danh sách từ khoá..................................................................125

Tài liệu tham khảo...........................................................................................127

Trần Ngọc Tú - Lớp CNPM – K44 1

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

Tổng quan về mạng nơron nhân tạo

I.1. Giới thiệu chung

Mạng nơron nhân tạo (Artificial Neural Networks) trong một vài năm trở lại

đõy đã được nhiều người quan tâm và đã áp dụng thành công trong nhiều lĩnh vực

khác nhau, như tài chính, y tế, địa chất và vật lý. Thật vậy, bất cứ ở đõu có vấn đề

về dự báo, phân loại và điều khiển, mạng nơron nhân tạo đều có thể ứng dụng

được. Sự thành công nhanh chóng của mạng mạng nơron nhân tạo có thể là do một

số nhân tố chính sau:

• Năng lực: mạng nơron nhân tạo là những kỹ thuật mô phỏng rất tinh vi, có

khả năng mô phỏng các hàm cực kỳ phức tạp. Đặc biệt, mạng nơron nhân

tạo hoạt động phi tuyến. Trong nhiều năm, mô hình tuyến tính là kỹ thuật

được sử dụng rộng rãi trong hầu hết các lĩnh vực, vì thế mô hình tuyến tính

có tính chiến lược tối ưu hóa được biết nhiều nhất.

• Dễ sử dụng: mạng nơron nhân tạo có tính học theo các ví dụ. Người sử

dụng mạng nơron nhân tạo thu thập các dữ liệu đặc trưng, và sau đó gọi các

thuật toán huấn luyện để có thể tự học cấu trúc của dữ liệu. Mặc dù người sử

dụng làm tất cả những điều cần thiết để có thể chọn và chuẩn bị dữ liệu, sử

dụng loại mạng phù hợp và có thể hiểu được các kết quả, nhưng mức độ

người sử dụng biết cách áp dụng thành công mạng nơron nhân tạo vẫn thấp

hơn nhiều những người sử dụng các phương pháp thống kê truyền thống…

Mạng nơron nhân tạo dựa trên việc mô phỏng cấp thấp hệ thống nơron sinh

học. Trong tương lai với sự phát triển mô phỏng nơron sinh học, chúng ta có thể có

loại máy tính thông minh thật sự.

I.1.1. Ý tưởng sinh học

Mạng nơron nhân tạo phát triển từ nghiên cứu về trí tuệ nhân tạo; đặc biệt cố

gắng bắt chước bộ não có cấu trúc cấp thấp về khả năng học và chấp nhận sai của

hệ thống nơron sinh học.

Bộ não con người gồm một số rất lớn nơron (khoảng 10.000.000.000 nơron)

kết nối với nhau (trung bình mỗi nơron kết nối với hàng chục ngàn nơron khác).

Mỗi nơron là một tế bào đặc biệt, có thể truyền các tín hiệu điện. Nơron có cấu trúc

rễ ngõ vào, thân tế bào và cấu trúc rễ ngõ ra (sợi thần kinh). Các sợi thần kinh của

một tế bào kết nối với các tế bào khác thông qua các khớp thần kinh (synapse). Khi

Trần Ngọc Tú - Lớp CNPM – K44 2

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

một nơron kích hoạt, nó tạo ra xung điện hóa học dọc theo sợi thần kinh. Tín hiệu

này đi qua các khớp thần kinh đến các nơron khác, và tiếp tục bị kích hoạt. Nơron

hoạt động chỉ khi tất cả các tín hiệu nhận được ở thân tế bào thông qua rễ ngõ vào

vượt quá một mức nào đó (ngưỡng hoạt động).

Cấu trúc cơ bản của nơron thần kinh sinh học.

Cường độ tín hiệu thu được của nơron phụ thuộc vào độ nhạy của khớp thần

kinh. Chỉ có việc học làm thay đổi cường độ kết nối của khớp thần kinh. Ví dụ như

theo thí nghiệm có điều kiện Pavlovian cổ điển, gừ chuụng trước khi cho chó ăn tối,

con chó nhanh chóng học được rằng rung chuông gắn liền với ăn. Khớp thần kinh

giữa phần vỏ não thính giác và tuyến nước bọt đã nhạy hơn, vì thế khi rung chuông

vỏ não thính giác bị kích thích, con chó bắt đầu tiết nước bọt.

Do đó, từ một số rất lớn các đơn vị xử lý rất đơn giản này (mỗi đơn vị thực

hiện tổng trọng số cỏc ngừ vào sau đó kích hoạt một tín hiệu nhị phân nếu tổng ngõ

vào vượt quá ngưỡng), bộ não điều khiển để hoạt động những công việc cực kì

phức tạp. Dĩ nhiên, sự phức tạp trong hoạt động của bộ não không thể trình bày hết,

nhưng dù sao mạng trí tuệ nhân tạo có thể đạt được một vài kết quả đáng chú ý với

mô hình không phức tạp hơn bộ não.

I.1.2. Mô hình nơron nhân tạo

Nơron nhân tạo được định nghĩa như sau:

Trần Ngọc Tú - Lớp CNPM – K44 3

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

• Nơron nhân tạo nhận một số cỏc ngừ vào (từ dữ liệu gốc, hay từ ngõ ra các

nơron khác trong mạng). Mỗi kết nối đến ngõ vào có một cường độ (hay

trọng số), những trọng số này tương ứng với tác dụng khớp thần kinh trong

nơron sinh học. Mỗi nơron cũng có một giá trị ngưỡng.

• Tín hiệu được truyền qua hàm kích hoạt (hay còn gọi là hàm truyền) tạo

giá trị ngõ ra nơron.

Nếu sử dụng hàm truyền nấc (nghĩa là ngõ ra nơron là 0 nếu ngõ vào nhỏ hơn

0, và là 1 nếu ngõ vào lớn hơn hay bằng 0) thì nơron hoạt động giống như nơron

sinh học. Thực tế, hàm nấc ít khi sử dụng trong mạng trí tuệ nhân tạo. Lưu ý rằng

trọng số có thể âm, nghĩa là khớp thần kinh có tác dụng kiềm chế hơn là kích hoạt

nơron.

Mô hình một nơron nhõn tạo.

I.2. Mạng nơron nhân tạo

I.2.1. Mô hình

Trên đõy mô tả các nơron đơn lẻ. Trong thực tế các nơron được kết nối với

nhau. Khi mạng hoạt động, chúng phải cú ngừ vào (mang giá trị hoặc biến của thế

giới thực) và ngõ ra (dùng để dự báo hoặc điều khiển). Ngõ vào và ngõ ra tương

ứng với các nơron giác quan và vận động, như tín hiệu đưa vào từ mắt và điều khiển

cánh tay. Tuy nhiên chỳng cũn cú cỏc nơron ẩn đóng vai trò ẩn trong mạng.

Một mạng đơn giản có cấu trúc tiến: tín hiệu đi vào ở ngõ vào, qua các nơron

ẩn và cuối cùng đến các nơron ngõ ra. Cấu trúc như thế chạy ổn định. Tuy nhiên,

nếu mạng có hồi tiếp (chứa các kết nối ngược trở về các nơron trước đó) mạng có

thể chạy không ổn định và dao động rất phức tạp. Mạng hồi tiếp rất được các nhà

nghiên cứu quan tâm, nhưng cấu trúc tiến đã chứng minh rất hiệu quả trong việc

giải quyết các vấn đề thực tế.

Trần Ngọc Tú - Lớp CNPM – K44 4

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

Mô hình một mạng nơron nhân tạo.

Mạng nơron nhân tạo tiến cho như hình 4. Các nơron được sắp xếp theo cấu

trúc liên kết lớp riêng biệt. Lớp ngõ vào không phải là nơron thực: các nơron này

hoạt động đơn giản là giới thiệu các giá trị của các biến vào. Các nơron lớp ẩn và

lớp ngõ ra được kết nối với tất cả các nơron lớp trước đó. Cũng như vậy chúng ta có

thể định nghĩa mạng cú cỏc kết nối một phần với một vài nơron trong lớp trước đó;

tuy nhiên, trong hầu hết các ứng dụng mạng có kết nối đầy đủ vẫn tốt hơn.

Mạng nơron nhõn tạo tiến kết nối đầy đủ.

Khi mạng hoạt động, các giá trị biến ngõ vào được đặt vào các nơron ngõ vào,

và sau đó các nơron lớp ẩn và lớp ngõ ra lần lượt được kích hoạt. Mỗi nơron tính

giá trị kích hoạt của chúng bằng cách lấy tổng các trọng số ngõ ra của các nơron lớp

trước đó, và trừ cho ngưỡng. Giá trị kích hoạt truyền qua hàm kích hoạt tạo ra giá

trị ngõ ra của nơron. Khi toàn bộ mạng đã hoạt động, cỏc ngừ ra của lớp ngõ ra hoạt

động như ngõ ra của toàn mạng.

I.2.2. Phạm vi ứng dụng

Mạng nơron được coi như một hộp đen biến đổi đầu vào m biến thành vộctơ

ra n biến. Các biến của vộctơ vào và ra có thể là các số thực, tốt nhất nằm trong

Trần Ngọc Tú - Lớp CNPM – K44 5

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

khoảng [0, 1] hoặc [-1, 1]; số nhị phân 0, 1 hay số nhị cực -1, +1. Số biến của vộctơ

vào ra không bị hạn chế song sẽ ảnh hưởng tới thời gian tính và tài nguyên của máy

tính. Với số lượng lớn các biến của cỏc vộctơ đầu vào và ra đồng nghĩa với việc

tăng số lượng các số liệu quan sát. Thường số biến của vộctơ ra nhỏ hơn số biến của

vộctơ vào nhưng không phải bắt buộc là như vậy. Các lĩnh vực mà mạng nơron

thường được ứng dụng là :

• Phân loại (Classification)

• Mô hình hoá (Modeling)

• Biến đổi (Transformation and mapping)

a. Phân loại:

Một trong các công việc đơn giản và thường được sử dụng nhiều trong việc

quản lý các đối tượng đa biến là phân loại. Đó có thể là sắp xếp các đối tượng vào

các tập theo từng loại hoặc theo tầng lớp hoặc theo các lớp con của các lớp lớn hơn.

Thường xuyên việc phân loại theo tầng lớp bao gồm nhiều mức của cỏc phộp

ra quyết định, phân lớp một đối tượng vào nhúm, nhúm con, chủng loại, chủng loại

con, hoặc lớp. Ví dụ trong hoá học việc dự báo các đặc điểm cấu trúc khác nhau

cùng một hợp chất chưa biết trên phổ của nó.

b. Mô hình hoá:

Các hệ thống phân loại đưa ra các câu trả lời rời rạc như cú, khụng hoặc một

số nguyên định danh đối tượng đầu vào thuộc lớp nào. Tuy nhiên việc mô hình hoá

yêu cầu hệ thống phải sản sinh ra các câu trả lời mang tính liên tục. Trong việc mô

hình hoá một số lượng nhỏ các số liệu được sử dụng để xây dựng mô hình. Mô hình

này có thể đưa ra các dự báo cho tất cả các đối tượng đầu vào có thể. Việc tìm ra

đường cong phù hợp với các số liệu thực nghiệm (curve-fitting) là một trong những

ứng dụng thuộc dạng này. Trong phần lớn các ứng dụng chúng chỉ là thủ tục một

biến vào - một biến ra như sau:

Y = f(x, a, b, … , p)

Ở đây hàm f chứa một tập các tham số a, b, …., p. Các tham số này phải được

xác định bằng việc tối thiểu hoá độ chênh lệch giữa số liệu thực nghiệm và giá trị

tính toán từ mô hình:

Σ (y thực nghiệm - ymô hình)

2

→ min

Mô hình hoá cũng có thể là vấn đề nhiều biến vào - một biến đầu ra hoặc

nhiều biến đầu vào - nhiều biến đầu ra.

Trong bất kỳ loại mô hình nào thì cũng phải tuân theo một giả định là: các

thay đổi nhỏ của tín hiệu đầu vào sẽ chỉ gây ra những biến đổi nhỏ của tín hiệu ra.

Trong các vấn đề đa biến mạng nơron có nhiều lợi thế hơn so với các phương

pháp mô hình hoá cổ điển sử dụng các hàm giải tích, các phương pháp mô hình hoá

cổ điển đối với mỗi biến đầu ra chúng ta phải khẳng định trước một hàm giải tích

Trần Ngọc Tú - Lớp CNPM – K44 6

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

cùng một bộ các tham số trong khi đó đối với mạng nơron chúng ta không cần bất

kỳ sự hiểu biết trước về các tham số đó.

c. Biến đổi:

Việc biến đổi nhằm mục đích nộn cỏc đối tượng từ không gian m chiều vào

không gian có số chiều nhỏ hơn rất nhiều (2 hoặc 3). Qua việc nộn cỏc đối tượng

này sẽ bộc lộ các đặc điểm mà chúng ta không thể nhận thấy khi các đối tượng ở

trong không gian nhiều chiều.

Những câu hỏi mà việc biến đổi có thể trả lời là: Bản đồ của toàn bộ các đối

tượng như thế nào: Có bao nhiờu vựng trong bản đồ có thể phân biệt được? Hình

dáng của cỏc vựng đú như thế nào ? Các đặc điểm của các đối tượng thể hiện qua

cỏc vựng bản đồ như thế nào ?

I.3. Đào tạo mạng nơron

I.3.1. Phõn loại các phương pháp đào tạo mạng nơron

Có nhiều phương pháp để đào tạo một mạng nơron, chỳng được phõn loại theo

các chỉ tiêu khác nhau:

1) Phõn loại theo cách học có giám sát hay không:

a. Học có giám sát

b. Học không có giám sát

c. Học có giám sát và kiểm tra chéo.

2) Phõn loại theo số lượng mẫu học một lần:

a. Học cả tập mẫu một lần.

b. Học từng mẫu một, cần phải quan tõm thứ tự mẫu học.

c. Học từng phần của tập mẫu.

Tuỳ theo dạng bài toán mà ta quyết định chọn phương pháp học nào. Với bài

toán học có giám sát tức là có “thầy giáo” hướng dẫn và điều chỉnh lại trọng số của

mạng để đạt được lời giải. Như vậy cần phải chuẩn bị một tập mẫu học cho quá

trình học này. Các phần tiếp theo sẽ nêu một số điểm chính về việc chuẩn bị số liệu

học.

Vấn đề sắp xếp, bố trí thứ tự các số liệu học như thế nào cũng khá quan trọng,

vì nếu ta sử dụng học từng mẫu một, mạng thường sẽ rơi vào tình trạng “học mẫu

sau quên mẫu trước” và thường thì mẫu cuối cùng sẽ cho sai số nhỏ nhất. Vì vậy

phương pháp này ít được sử dụng so với phương pháp học từng phần của tập mẫu

hoặc học toàn bộ tập mẫu một lần.

I.3.2. Chuẩn bị dữ liệu đào tạo

Một khi ta quyết định giải quyết một vấn đề sử dụng mạng nơron nhân tạo ta

cần phải thu thập dữ liệu cho mục tiêu huấn luyện. Tập hợp dữ liệu huấn luyện bao

gồm một số các trường hợp, mỗi trường hợp chứa những giá trị của đầu vào và đầu

Trần Ngọc Tú - Lớp CNPM – K44 7

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

ra khác nhau. Những việc đầu tiên cần làm là: những biến nào sử dụng, bao nhiêu

trường hợp cần thu thập.

Sự lựa chọn các biến do trực giác quyết định. Công việc chuyên môn của ta

trong lĩnh vực cần giải quyết sẽ cho ta những ý tưởng về các biến ngõ vào phù hợp.

Trong mạng nơron nhân tạo, ta có thể chọn và loại bỏ nhiều biến và mạng nơron

nhân tạo cũng có thể xác định bằng thực nghiệm những biến hữu ích. Trong bước

một ta nờn tớnh đến bất kì biến nào mà ta nghĩ có ảnh hưởng đến quá trình thiết kế.

Mạng nơron nhân tạo xử lý dữ liệu số trong một tầm giới hạn rõ ràng. Điều

này đưa ra một vấn đề nếu dữ liệu nằm trong một vùng đặc biệt như dữ liệu chưa

biết hay không phải dữ liệu số. Dữ liệu số được chia nhỏ thành những khoảng thích

hợp cho mạng và những giá trị thiếu có thể được thay thế bằng giá trị trung bình

hay giá trị thống kê của biến đó thông qua những biến khác đã được huấn luyện.

Xử lý dữ liệu không phải là số thỡ khú hơn. Loại dữ liệu không phải là số

thông thường nhất là những biến có giá trị danh định như giới tính (nam, nữ). Biến

có giá trị danh định có thể biểu diễn bằng số học và mạng nơron nhân tạo có chức

năng hỗ trợ điều này. Tuy nhiên mạng nơron nhân tạo làm việc tốt với những

trường hợp biến danh định là một tập nhiều giá trị.

Số phần tử của mẫu dùng để huấn luyện mạng rất khú xỏc định. Đã có một vài

hướng dẫn về mối liên hệ giữa số trường hợp mẫu với kích thước mạng (cách đơn

giản nhất là số trường hợp mẫu gấp 10 lần số kết nối trong mạng). Thực ra số

trường hợp mẫu cũng liên quan đến độ phức tạp của hàm mà mạng phải học. Khi số

biến tăng lên, số trường hợp mẫu cần để huấn luyện cũng tăng phi tuyến, vì thế với

một số nhỏ các biến (50 hoặc nhỏ hơn) thì lại cần một số lớn các trường hợp mẫu.

Trong hầu hết các vấn đề trong thực tế, số trường hợp mẫu là khoảng hàng

trăm hay hàng ngàn mẫu. Đối với những vấn đề rất phức tạp thì cần nhiều hơn,

nhưng trường hợp này rất ít.

Nhiều vấn đề trong thực tế có dữ liệu không đáng tin cậy, một vài dữ liệu bị

phá hỏng do nhiễu, hoặc các giá trị không phối hợp được với nhau. Mạng nơron

nhân tạo có khả năng đặc biệt xử lý dữ liệu bị mất (sử dụng giá trị trung bình hay

những giá trị thống kê khác). Vì thế nếu dữ liệu đưa vào ít, ta nên đưa vào những

trường hợp giá trị bị mất (rõ ràng nếu không có thì không lý tưởng). Mạng nơron

nhân tạo cũng chịu được nhiễu, nhưng cũng phải có giới hạn. Nếu thỉnh thoảng có

giá trị nằm xa ra khỏi vùng giá trị bình thường thì mạng huấn luyện phải có ngưỡng.

Cách tốt nhất đối với trường hợp này là nhận ra và loại bỏ những giá trị nằm xa đó

(có thể hủy trường hợp này hoặc xem giá trị nằm xa này là giá trị bị mất). Nếu giá

trị xa này khó nhận ra, mạng nơron nhân tạo có chức năng huấn luyện chịu được

giá trị nằm khỏi vùng này nhưng cách huấn luyện này thường kém hiệu quả hơn là

huấn luyện chuẩn.

Tóm lại, cách thu thập dữ liệu có thể nói gọn lại như sau:

• Chọn những giá trị huấn luyện có tác dụng.

Trần Ngọc Tú - Lớp CNPM – K44 8

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

• Dữ liệu số và danh định có thể xử lý trực tiếp bằng mạng nơron nhân

tạo. Chuyển những loại biến khác sang một trong các dạng này.

Cần hàng trăm hoặc hàng ngàn trường hợp mẫu huấn luyện; càng nhiều biến

thì càng nhiều mẫu huấn luyện. mạng nơron nhân tạo có khả năng nhận ra những

biến hữu dụng để huấn luyện.

I.3.3. Tiền xử lý và hậu xử lý

Tất cả các mạng nơron nhân tạo lấy giá trị vào và ra là số. Hàm truyền

thường được chọn sao cho có thể chấp nhận bất cứ vùng giá trị vào nào, và giá trị

ngõ ra hữu hạn (có tác dụng nén). Mặc dù ngõ vào có bất kì giá trị nào, nên hàm

truyền có giá trị bão hòa và chỉ nhạy trong một vùng hữu hạn nào đó.

biểu diễn đồ thị một hàm truyền cơ bản nhất, hàm xích ma (sigmoid) có biểu

thức toán học như sau:

x

e

y −

+

=

1

1

Giá trị đầu ra của hàm biến đổi trong khoảng (0; 1), và giá trị vào chỉ nhạy

trong khoảng (-1,1). Hàm này liên tục và dễ lấy vi phân, do đó các hàm huấn luyện

dễ phân tích để huấn luyện mạng. Cũng vì lý do đạo hàm mà hàm nấc không được

dùng nhiều trong thực tế.

Do tính chất của hàm truyền như vậy cần chúng ta có một bước tiền xử lý và

hậu xử lý dữ liệu đào tạo về khoảng thích hợp với hàm truyền của loại nơron sử

dụng trong mạng.

Hàm xích ma (sigmoid).

Do vùng đáp ứng hữu hạn và thông tin vào dưới dạng số, nên trong ứng dụng

thực tế, mạng nơron thường cú cỏc bước tiền xử lý và hậu xử lý. Hai vấn đề cần

hiểu rõ là :

Phân đoạn : Giá trị số phải được chia thành một tầm thích hợp trong mạng.

Thông thường giá trị biến ban đầu được phân đoạn thô tuyến tính.

Trần Ngọc Tú - Lớp CNPM – K44 9

-4 -3 -2 -1 0 1 2 3 4

0

0.2

0.4

0.6

0.8

1.0

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

Trong một vài trường hợp, phân đoạn phi tuyến có thể thích hợp (ví dụ nếu

biết một biến được phân bố theo hàm mũ, ta phải dùng logarit).

Biến danh định : có thể có hai hay nhiều trạng thái. Biến danh định hai trạng

thái dễ dàng biểu diễn dưới dạng giá trị số (ví dụ nam = 0; nữ =1). Biến danh định

nhiều trạng thái khó xử lý hơn. Nó có thể biểu diễn dưới dạng số.

Mạng nơron nhõn tạo có khả năng biến đổi cả những biến danh định hai

trạng thái và nhiều trạng thái để sử dụng trong mạng. Nhưng biến danh định trong

một tập rất nhiều trạng thái sẽ cần một số lớn tập mã nhị phõn n bít, dẫn đến kích

thước mạng rất lớn và khó huấn luyện. Trong trường hợp như vậy chúng ta có thể

mô phỏng biến danh định sử dụng chỉ số số đơn (mặc dù chưa đúng), ngoài ra

chúng ta phải tìm kỹ thuật khác tốt hơn để biểu diễn thông tin.

I.4. Học quá mức và tổng quát hoá [4]

Một vấn đề mà các kỹ thuật trên không thực sự cực tiểu sai số là khi chúng ta

đưa một trường hợp mới vào mạng. Nói cách khác, thuộc tính mong muốn nhất của

mạng là khả năng tổng quát hóa các trường hợp mới. Thực ra, mạng được huấn

luyện cực tiểu hóa sai số dựa trên tập huấn luyện, tập này không hoàn hảo và hữu

hạn, rõ ràng sẽ không đúng khi cực tiểu sai số trên mặt phẳng sai số thực – mặt

phẳng sai số của mô hình cơ sở và chưa biết.

Sự phân biệt ở đõy chính là học quá mức hay khít quá mức. Cách dễ nhất để

minh họa khái niệm này là việc dò theo đồ thị đường cong đa thức hơn là minh họa

bằng mạng nơron nhân tạo nhưng ý nghĩa thì giống nhau.

Đa thức là phương trỡnh cú cỏc hệ số và lũy thừa hằng số.

Ví dụ:

y = 2x + 3

y= 3x2 + 4x + 1

Các đa thức khác nhau có đồ thị khác nhau, với bậc lớn hơn (và do đó có

nhiều số hạng hơn) sẽ có đồ thị phức tạp hơn. Với một tập dữ liệu cho trước, chúng

ta muốn tìm ra đa thức biểu diễn dữ liệu này. Dữ liệu có thể có nhiễu, vì thế chúng

ta không cần thiết tìm ra phương trình đúng nhất cho tất cả các điểm. Đa thức bậc

thấp hơn sẽ không thể đủ chính xác với tất cả các điểm, trong khi đó đa thức bậc

cao hơn chính xác tất cả các dữ liệu sẽ rất phức tạp, đa thức này sẽ có đồ thị không

đúng với hàm cơ sở.

Mạng nơron nhân tạo cũng có vấn đề như vậy. Mạng có càng nhiều trọng số

thì hàm càng phức tạp và do đó sẽ rơi vào tình trạng khít quá mức. Mạng cú ớt trọng

số hơn sẽ không đủ khả năng để mô phỏng hàm cơ sở. Ví dụ như mạng không có

các lớp ẩn chỉ mô phỏng hàm truyền tuyến tính đơn giản.

Vậy chúng ta sẽ chọn lựa độ phức tạp của mạng đúng như thế nào? Mạng lớn

hơn sẽ hầu như luôn luôn có được sai số nhỏ hơn, nhưng điều này có thể là khít quá

mức hơn là một mô hình tốt.

Trần Ngọc Tú - Lớp CNPM – K44 10

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

Cõu trả lời là sử dụng chức năng kiểm tra chéo, một số mẫu trong tập huấn

luyện được sử dụng để kiểm tra, sau khi những mẫu cũn lại đã được học. Để thay

thế, những mẫu này được sử dụng để kiểm tra độc lập trong quá trình của thuật

toán. Như vậy hiệu suất ban đầu của mạng luôn luôn bằng nhau ở những tập huấn

luyện và xác minh lại. Trong quá trình huấn luyện, sai số huấn luyện tự nhiên giảm

xuống, và cho phép huấn luyện cực tiểu hóa hàm sai số thực, sai số xác minh cũng

giảm xuống. Tuy nhiên, nếu sai số xác minh không giảm, hay bắt đầu tăng lên, điều

này có nghĩa là mạng bắt đầu khít quá mức dữ liệu, và huấn luyện nên dừng lại (có

thể cài đặt mạng nơron nhân tạo tự động dừng lại khi bắt đầu học quá mức).

Trường hợp khít quá mức xảy ra trong quá trình xử lý huấn luyện gọi là học quá

mức. Trong trường hợp này, chúng ta nên giảm số nơron ẩn hay/và lớp ẩn vì mạng

quá mạnh đối với vấn đề này. Ngược lại, nếu mạng không đủ mạnh để mô phỏng

hàm cơ sở, học quá mức không có khả năng xảy ra, cũng như sai số huấn luyện hay

xác minh lại không rơi vào mức bão hòa.

Những vấn đề liên quan đến cực tiểu cục bộ, và những quyết định sử dụng quỏ

kớch thước của mạng, nghĩa là chúng ta phải chạy thử trên nhiều mạng khác nhau,

có thể huấn luyện mỗi mạng vài lần (để tránh rơi vào trường hợp cực tiểu cục bộ sai

số) và quan sát hiệu suất từng mạng. Điều quan trọng là quan sát sai số xác minh.

Tuy nhiên, nên nhớ rằng nên mô phỏng mạng đơn giản hơn là mạng phức tạp,

chúng ta cũng có thể chọn mạng nhỏ hơn là mạng lớn có khả năng cải thiện sai số

xác minh không đáng kể.

Vấn đề đối với kỹ thuật này về việc thí nghiệm lặp đi lặp lại là tập xác minh

không thực sự đóng vai trò chọn lựa mạng, nghĩa là nó chỉ là một phần trong quá

trình huấn luyện. Độ tin cậy của nó chỉ ở mức độ vừa phải – khi số lần thí nghiệm

đủ, chúng ta có khả năng rơi vào trường hợp mạng thực hiện tốt trên tập xác minh.

Để thêm độ tin cậy hiệu suất của mô hình cuối cùng thì trong thực tế thường sử

dụng thêm một tập thứ ba – là tập kiểm tra. Mô hình cuối cùng được kiểm tra với

tập dữ liệu kiểm tra để đảm bảo rằng kết quả của tập xác minh và huấn luyện là thật.

I.5. Tổng kết chương

Trong chương này đã giới thiệu tóm tắt về cấu trúc của mạng nơron và ứng

dụng của nó. So với các phương pháp truyền thống thì mạng nơron có một khả năng

vượt trội, tuy nhiên để ứng dụng nó thành công cũng cần nghiên cứu nhiều khớa

cạnh về đào tạo mạng nơron, như lựa chọn cấu trúc mạng nơron, thiết kế tập mẫu

học (nếu sử dụng phương pháp học có giám sát), và sau quá trình học phải tạo ra

mạng nơron có tính tổng quát cao để có thể đem ứng dụng thực tế được tốt. Sau đõy

là một số quy tắc được rút ra khi thiết kế mạng nơron và đào tạo nó:

• Chọn một số cấu trúc mạng ban đầu (thường một lớp ẩn có số nơron ẩn

bằng nửa tổng số nơron ngõ vào và ngõ ra).

Trần Ngọc Tú - Lớp CNPM – K44 11

Đồ án tốt nghiệp Mạng nơron nhân tạo và ứng dụng

• Thực hiện lặp đi lặp lại số thí nghiệm của mỗi cấu trúc mạng, giữ lại

mạng tốt nhất (thường dựa trên sai số xác minh). Thí nghiệm nhiều lần

trên mỗi cấu trúc mạng để tránh rơi vào sai số cục bộ.

• Trong mỗi lần thí nghiệm, nếu xảy ra việc học chưa đủ (mạng không đạt

được mức hiệu suất chấp nhận) thì thử tăng số nơron trong lớp ẩn. Nếu

không hiệu quả, thỡ thờm một lớp ẩn. Nếu xảy ra học quá mức (sai số

xác minh bắt đầu tăng lên) thử bỏ bớt một vài nơron ẩn (và có thể bỏ lớp

ẩn).

Trần Ngọc Tú - Lớp CNPM – K44 12