Bỏ qua điều hướng
DTCode
EN
DTCode Dev ZineChủ đề

Tuyển tập theo chủ đề

#AI

54 bài viết về AI.

Danh sách bài viết

54 bài viếtTrang 3/4#AIBỏ lọc

Bài số № 24PRO

Mạng nơ-ron và backpropagation từ con số 0: tự viết autograd rồi so với PyTorch

Hiểu Deep Learning từ gốc: nơ-ron, hàm kích hoạt, vì sao cần phi tuyến, đồ thị tính toán và backpropagation; tự viết một engine autograd nhỏ kiểu micrograd, huấn luyện MLP bằng NumPy, rồi kiểm tra kết quả với autograd của PyTorch.

17 phút đọc

Bài số № 23PRO

Huấn luyện mạng sâu với PyTorch: DataLoader, AdamW, BatchNorm, Dropout và gỡ lỗi khi mô hình không học

Vòng lặp huấn luyện PyTorch chuẩn mực trên Fashion-MNIST: Dataset/DataLoader, nn.Module, GPU, optimizer SGD/Adam/AdamW, lịch learning rate, BatchNorm, Dropout, weight decay, early stopping, checkpoint, mixed precision và quy trình gỡ lỗi 'overfit một batch'.

14 phút đọc

Bài số № 22PRO

CNN — mạng nơ-ron tích chập: từ phép tích chập tới ResNet trên CIFAR-10

Vì sao MLP không hợp với ảnh, phép tích chập hoạt động thế nào (tự viết bằng NumPy), padding, stride, pooling, trường tiếp nhận; lịch sử LeNet → AlexNet → VGG → ResNet; tự xây CNN và khối residual bằng PyTorch, huấn luyện trên CIFAR-10 với data augmentation.

14 phút đọc

Bài số № 21PRO

Transfer learning: phân loại ảnh của riêng bạn với vài trăm ảnh và mô hình tiền huấn luyện

Cách dân chuyên nghiệp làm phân loại ảnh: lấy mô hình đã học trên ImageNet (torchvision, timm), linear probing rồi fine-tuning toàn bộ với learning rate theo tầng; chuẩn bị dữ liệu bằng ImageFolder, augmentation, xử lý lệch lớp, phân tích lỗi và chọn backbone.

13 phút đọc

Bài số № 20PRO

Phát hiện vật thể và phân đoạn ảnh: IoU, NMS, mAP, YOLO26, U-Net và Segment Anything

Từ 'ảnh này là gì' tới 'vật ở đâu': bounding box, IoU và NMS tự viết bằng NumPy, cách đọc mAP, detector một giai đoạn và hai giai đoạn, huấn luyện YOLO26 trên dữ liệu tự gán nhãn; phân đoạn ngữ nghĩa và instance với U-Net, Mask R-CNN, Segment Anything.

16 phút đọc

Bài số № 19PRO

Vision Transformer và CLIP: attention cho ảnh, phân loại zero-shot và tìm ảnh bằng câu chữ

Self-attention tự viết bằng PyTorch, cách ViT biến ảnh thành chuỗi patch, so sánh ViT với CNN; CLIP học ảnh và chữ chung một không gian embedding bằng contrastive learning — phân loại không cần dữ liệu huấn luyện và dựng công cụ tìm ảnh bằng mô tả; tổng quan SigLIP, DINOv2 và mô hình đa phương thức.

15 phút đọc

Bài số № 18PRO

Đưa mô hình vào sản phẩm: ONNX, FastAPI, Docker, lượng tử hoá và MLOps cơ bản

Bài cuối của lộ trình: xuất mô hình PyTorch sang ONNX, phục vụ bằng FastAPI + ONNX Runtime, đo độ trễ, lượng tử hoá INT8, đóng Docker; theo dõi thí nghiệm, quản lý phiên bản dữ liệu–mô hình, giám sát drift trong production và 5 dự án portfolio để xin việc AI Engineer.

18 phút đọc