Đang tải nội dung…
LEARNDO / ĐỌC THEO LỘ TRÌNH
Mỗi ngày một bước, từ 2D đến 3D
Bắt đầu với lịch sử và ý tưởng, xây nền tảng, thực hành thị giác 2D, rồi đi vào hình học 3D và kiến thức chuyên sâu. Mỗi bài vẫn có ví dụ, bài tập và chuỗi đọc riêng.
Đây là lịch đọc từ 261 bài đang công khai, không phải ngày xuất bản. Ngày đăng gốc được giữ trên từng bài. Ngày cuối được cân đối để có 2–4 bài; thời gian dưới đây chưa tính thực hành.
87 ngày khám phá
Trang 5 / 13Ngày 29
3 bài · khoảng 66 phút đọc- Học sâu từ đầu · Cơ bản · 25 phútXác suất 5: hàm hợp lý, entropy và entropy chéo
Vì sao dự đoán rất tự tin nhưng sai lại chịu mức phạt lớn? Bạn sẽ tìm câu trả lời qua entropy, entropy chéo và xác suất của nhãn đúng.
- Học sâu từ đầu · Cơ bản · 16 phútSoftmax và entropy chéo bằng NumPy: từ điểm số đến mất mát
Bạn sẽ đổi điểm số của mô hình thành xác suất bằng softmax, rồi tính mức phạt cho dự đoán sai bằng entropy chéo. NumPy giúp bạn nhìn rõ từng phép tính.
- Học sâu từ đầu · Cơ bản · 25 phútGiải tích 5: gradient của softmax và entropy chéo
Bạn sẽ tính gradient khi ghép softmax với entropy chéo. Kết quả gọn giúp giải thích cách lớp cuối sửa điểm số cho từng nhãn.
Ngày 30
3 bài · khoảng 57 phút đọc- Học sâu từ đầu · Cơ bản · 25 phútGiải tích 6: tự viết lan truyền ngược và kiểm tra mọi gradient
Bạn sẽ tự truyền gradient ngược qua một mạng nhỏ. Kiểm tra từng tham số bằng sai phân giúp phát hiện lỗi trong phép tính.
- Học sâu từ đầu · Cơ bản · 20 phútLan truyền ngược bằng NumPy: tự tính gradient qua hai lớp
Bạn sẽ tự tính gradient cho mạng hai lớp bằng NumPy. Qua từng phép nhân và cộng, bạn thấy sai số đầu ra ảnh hưởng đến các trọng số như thế nào.
- Học sâu từ đầu · Cơ bản · 12 phútPooling: thu nhỏ bản đồ đặc trưng, giữ lại điều gì?
Khi thu nhỏ ảnh đặc trưng, ta giữ lại điều gì và bỏ mất điều gì? Bạn sẽ so sánh cách lấy giá trị lớn nhất với cách lấy trung bình.
Ngày 31
3 bài · khoảng 50 phút đọc- Học sâu từ đầu · Cơ bản · 13 phútTăng cường dữ liệu ảnh: đổi góc nhìn, giữ đúng nhãn
Bạn sẽ lật ảnh, đổi độ sáng và theo dõi nhãn đi kèm. Ví dụ giúp bạn nhận ra khi nào một phép biến đổi làm dữ liệu học sai.
- Học sâu từ đầu · Cơ bản · 12 phútTensor trong PyTorch: đọc đúng kích thước, kiểu dữ liệu và dữ liệu ảnh
Bạn sẽ tạo tensor ảnh và đọc kích thước, kiểu số, nơi lưu dữ liệu. Những thông tin này giúp bạn tránh nhầm chiều khi đưa ảnh vào PyTorch.
- Học sâu từ đầu · Cơ bản · 25 phútPyTorch: đổi thứ tự chiều và hiểu contiguous
Bạn sẽ đổi thứ tự các chiều tensor và xem cách PyTorch sắp dữ liệu trong bộ nhớ. Ví dụ giúp giải thích khi nào view không dùng được và contiguous có tác dụng gì.
Ngày 32
3 bài · khoảng 47 phút đọc- Học sâu từ đầu · Cơ bản · 14 phútAutograd: tính gradient và cập nhật tham số từng bước
Bạn sẽ theo dõi cách PyTorch tính đạo hàm tự động, rồi dùng gradient để sửa tham số. Mỗi bước đều có giá trị cụ thể để đối chiếu.
- Học sâu từ đầu · Cơ bản · 18 phútVì sao chồng lớp tuyến tính vẫn không giải được XOR
Dùng bốn điểm XOR để phân biệt năng lực biểu diễn và tối ưu hóa, rồi xây hai ReLU tạo được biên quyết định phi tuyến.
- Học sâu từ đầu · Cơ bản · 15 phútDataset và DataLoader: từ một mẫu đến một lô dữ liệu ảnh
Bạn sẽ tổ chức ảnh thành tập dữ liệu và gom nhiều ảnh thành một lô. Bài giải thích vai trò của Dataset, DataLoader và cách xáo trộn mẫu.
Ngày 33
3 bài · khoảng 24 phút đọc- Học sâu từ đầu · Cơ bản · 8 phútMã lớp 7 và 42 không phải chỉ số tensor: lưu đúng ánh xạ nhãn
Tách mã lớp trong dữ liệu khỏi chỉ số đầu ra của mạng, rồi kiểm tra việc giải mã dự đoán bằng một bảng ánh xạ cố định.
- Học sâu từ đầu · Cơ bản · 8 phútẢnh trùng trong tập dữ liệu: kiểm tra byte và kiểm tra pixel là hai việc khác nhau
Tạo hai bản lưu có cùng pixel nhưng khác byte, rồi dùng SHA-256 để phân biệt trùng tệp với trùng ảnh đã giải mã.
- Học sâu từ đầu · Cơ bản · 8 phútChia tập theo phiên chụp: giữ các ảnh cùng cảnh ở cùng một phía
So một cách chia theo từng ảnh với cách chia theo nhóm, rồi kiểm tra giao nhau giữa các phiên chụp.
Ngày 34
3 bài · khoảng 70 phút đọc- Học sâu từ đầu · Cơ bản · 25 phútPyTorch: chia tập và chuẩn hóa không rò rỉ dữ liệu
Bạn sẽ chia tập dữ liệu trước khi tính thống kê chuẩn hóa. Cách làm này giúp thông tin từ tập đánh giá không lọt vào quá trình học.
- Học sâu từ đầu · Cơ bản · 25 phútPyTorch: tự xây CNN và kiểm tra kích thước qua từng lớp
Bạn sẽ tự xây một CNN nhỏ và kiểm tra kích thước sau từng lớp. Qua đó, bạn nối được ảnh đầu vào với số điểm dự đoán ở đầu ra.
- Học sâu từ đầu · Cơ bản · 20 phútPyTorch: huấn luyện, đánh giá và lưu mô hình đầu tiên
Bạn sẽ nối các bước đọc dữ liệu, huấn luyện, đánh giá và lưu mô hình. Cuối bài, bạn nạp lại trọng số để kiểm tra kết quả.
Ngày 35
3 bài · khoảng 75 phút đọc- Học sâu từ đầu · Cơ bản · 25 phútPyTorch: train, eval, Dropout và BatchNorm
Bạn sẽ đổi giữa chế độ học và đánh giá để xem Dropout, BatchNorm hoạt động khác nhau ra sao. Bài cũng phân biệt eval với việc tắt tính gradient.
- Học sâu từ đầu · Trung cấp · 25 phútPyTorch: so sánh SGD và Adam có kiểm soát
Bạn sẽ so sánh SGD và Adam trên cùng một bài toán. Giữ điều kiện thí nghiệm giống nhau giúp bạn đọc đúng tác dụng của từng cách cập nhật.
- Học sâu từ đầu · Trung cấp · 25 phútPyTorch: tăng cường dữ liệu có kiểm soát
Bạn sẽ áp dụng phép biến đổi ngẫu nhiên lên ảnh học và theo dõi kết quả. Chọn phép biến đổi phù hợp giúp mô hình gặp nhiều tình huống mà vẫn giữ đúng nhãn.