ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← Mạng nơ-ron

AI Foundation

Perceptron — Nơ-ron đơn giản nhất

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Một nơ-ron nhân tạo có thể làm gì? Cộng có trọng số mọi đầu vào, rồi quyết định 'có' hay 'không'. Bạn sẽ tự tay chỉnh trọng số và nhìn đường quyết định xoay theo.

lesson50 minMạng nơ-ronAI Foundation

Thử đoán

Bạn là người phỏng vấn. Ứng viên có 5 năm kinh nghiệm (x₁ = 1) nhưng không có bằng đại học (x₂ = 0). Bạn đã đặt ra 'quy tắc ngầm': kinh nghiệm quan trọng gấp 3 lần bằng cấp. Nên nhận hay không?

Hãy tưởng tượng nơ-ron là một cử tri. Mỗi đầu vào đưa ra một ý kiến, có đầu vào quan trọng (trọng số cao), có đầu vào ít quan trọng (trọng số thấp). Nơ-ron cộng tất cả phiếu lại, so với một ngưỡng nội bộ (bias), rồi nói một lời duy nhất: “có” hoặc “không”. Bài này đưa bạn đi từ ẩn dụ đó tới đơn vị tính toán đầu tiên của mạng nơ-ron.

Một cử tri chỉ biết nói “có” hoặc “không”

Trong đầu, bạn luôn ra quyết định kiểu này: “hôm nay đi học hay nghỉ?”, “mua hay không mua?”, “trả lời tin nhắn hay đọc rồi cất?”. Mỗi quyết định cân một số yếu tố — bạn gán cho mỗi yếu tố một mức độ quan trọng (trọng số), cộng lại, rồi so với một ngưỡng riêng của bạn. Perceptron mô phỏng chính xác quá trình đó.

Thành phầnÝ nghĩa
Đầu vào (xᵢ)Dữ liệu quan sát được: kinh nghiệm, bằng cấp, chiều cao, điểm thi... thường là số.
Trọng số (wᵢ) và bias (b)Mức độ quan trọng của từng đầu vào, và “ngưỡng cá tính” của nơ-ron. Đây là phần nơ-ron học.
Đầu raMột con số duy nhất: 0 hoặc 1. Không có “có lẽ”, không có xác suất — chỉ “có” hoặc “không”.

Nghe đơn giản đúng không? Đây chính là lý do perceptron là viên gạch đầu tiên của mọi mạng nơ-ron hiện đại. Mạng phức tạp đến mấy, cuối cùng vẫn là triệu phép tính như thế xếp chồng lên nhau.

Xoay đường quyết định

Đường quyết định của perceptron là một đường thẳng. Trọng số w₁ và w₂ xoay đường; bias b dịch nó song song lên hoặc xuống.

  • w₁ lớn: đầu vào x càng quan trọng.
  • w₁, w₂ đổi dấu: đường quay 90°.
  • b: dịch đường song song lên/xuống.

Sơ đồ một perceptron

Đây là cùng một perceptron, nhưng biểu diễn dưới dạng sơ đồ mạch: đầu vào × trọng số, cộng với bias thành tổng Σ, rồi qua hàm bước thành đầu ra.

z=w1x1+w2x2+bz = w_1 x_1 + w_2 x_2 + b

Đầu ra: nếu z > 0 thì nơ-ron nói CÓ (1); nếu z ≤ 0 thì nói KHÔNG (0).

Ba cổng logic: AND, OR và kẻ thù XOR

Perceptron có thể học ba cổng logic cơ bản? Hai cổng đầu — một đường thẳng đủ. Cổng thứ ba là nơi mọi chuyện vỡ kế hoạch.

CổngĐầu ra = 1 khi nàoPerceptron giải được?
ANDCả hai đầu vào đều bằng 1Có — một đường thẳng đủ
ORÍt nhất một đầu vào bằng 1Có — một đường thẳng đủ
XORĐúng một trong hai đầu vào bằng 1Không — không tồn tại (w₁, w₂, b) nào giải được

Khoảnh khắc hiểu

Mỗi nơ-ron — dù nằm trong GPT-4 hay trong mạng nhận diện chó mèo — vẫn chỉ làm đúng một việc: cộng có trọng số rồi bật / tắt.

Mạng sâu chỉ đang xếp chồng hàng triệu phép tính đơn giản ấy lên nhau. Hiểu một perceptron là hiểu viên gạch cơ bản của cả kiến trúc.

Đi sâu — luật học

Perceptron tự chỉnh trọng số thế nào?

Luật học perceptron chỉ làm đúng một việc: mỗi điểm bị đoán sai thì trọng số được đẩy một chút theo hướng sửa điểm ấy.

Bốn bước học

1 / 4
  1. 1. Khởi tạo

    Khởi tạo ngẫu nhiên. Nhiều điểm đỏ đang bị đoán thành 0.

Thử thách

Vì sao một perceptron KHÔNG thể giải được bài toán XOR? (chọn câu trả lời đúng và sát nhất)
Bạn muốn một perceptron quyết định 'mở cửa hàng hôm nay' dựa trên x₁ (trời nắng) và x₂ (cuối tuần). Cả hai đều phải đúng mới mở. Cổng logic nào mô tả điều này?

Giải thích

Frank Rosenblatt đề xuất perceptron năm 1958 tại Cornell. Đây là lần đầu tiên một chiếc máy tự học phân loại từ dữ liệu, thay vì được lập trình cứng bằng tay. Dưới đây là hai công thức cốt lõi.

1. Tổng có trọng số (weighted sum)

z=w1x1+w2x2+⋯+wnxn+bz = w_1 x_1 + w_2 x_2 + \cdots + w_n x_n + b

Đọc: nhân từng đầu vào với trọng số của nó, cộng tất cả lại, rồi cộng thêm bias. Trọng số wᵢ cao = đầu vào xᵢ quan trọng. Bias b giống như “ngưỡng cá tính” của nơ-ron — b âm lớn nghĩa là nơ-ron “khó tính”, phải cộng được nhiều mới qua được 0.

2. Hàm bước (step function)

y={1neˆˊu z>00neˆˊu z≤0y = \begin{cases} 1 & \text{nếu } z > 0 \\ 0 & \text{nếu } z \le 0 \end{cases}

Đọc: nếu tổng lớn hơn 0, nơ-ron bật (xuất 1); ngược lại, nơ-ron tắt (xuất 0). Đây là bước “quyết định” biến một phép cộng liên tục thành một câu trả lời nhị phân. Các mạng hiện đại thay hàm bước bằng hàm kích hoạt trơn hơn như sigmoid, ReLU — nhưng ý tưởng “bật/tắt dựa trên tổng” vẫn giữ nguyên.

Hàm bước có góc nhọn tại z = 0 nên không có đạo hàm để học ngược — đó là lý do mạng sâu không thể dùng nó.

Perceptron khác gì hồi quy tuyến tính?

Cả hai đều tính tổng có trọng số. Khác biệt chính ở đầu ra: hồi quy tuyến tính xuất một số liên tục (giá nhà, doanh thu), perceptron xuất 0/1 (có/không). Và cách học cũng khác: hồi quy tối thiểu hoá bình phương sai số qua công thức đóng hoặc gradient descent; perceptron chỉ cần luật Rosenblatt đơn giản.

Vì sao phải có bias? Gộp vào trọng số không được à?

Thực ra được — người ta hay “gộp” bias bằng cách thêm một đầu vào giả x₀ = 1 với trọng số w₀ = b. Khi đó công thức chỉ còn một tổng. Trong code máy học thực tế, thư viện làm điều này tự động để bạn không phải quản lý riêng bias. Nhưng khi giảng dạy, tách bias ra giúp trực giác rõ hơn: trọng số “xoay” đường quyết định, bias “dịch” nó.

Bốn điểm kết nối — perceptron đi đâu từ đây?

  • Xếp nhiều perceptron thành từng lớp = MLP (Multi-Layer Perceptron). Mỗi lớp học một kiểu “đặc trưng” của dữ liệu. Với 2 lớp trở lên, mạng có thể học được XOR và các bài toán phi tuyến.
  • Thay hàm bước bằng hàm kích hoạt trơn (sigmoid, ReLU, tanh) để có đạo hàm, mở đường cho lan truyền ngược.
  • Dùng gradient descent để tối ưu trọng số thay vì luật học đơn giản — đây là cách mọi mạng sâu ngày nay được huấn luyện.
  • Hiểu đường quyết định → hiểu luôn hồi quy tuyến tính và SVM, vì chúng đều dựa trên ý tưởng “chia không gian bằng siêu phẳng”.

Tóm tắt

4 điều cần nhớ về perceptron

  • Một perceptron = cộng có trọng số mọi đầu vào + bias, rồi bật/tắt theo hàm bước.
  • Trọng số quyết định hướng đường chia; bias dịch song song đường chia.
  • Chỉ chia được dữ liệu phân tách tuyến tính — làm được AND, OR; KHÔNG làm được XOR.
  • Luật học Rosenblatt: điểm sai → kéo trọng số theo hướng sửa đúng điểm ấy.

Continue the path

Lesson 72 of 106