Forward và Backward Propagation

Sau bài này, bạn sẽ:

Ôn lại bài trước

Bài trước ta đã học:

• Neuron = đơn vị tính toán nhỏ nhất
• Weight = mức độ quan trọng của input
• Activation = hàm quyết định output (ReLU, Sigmoid...)

Hôm nay ta sẽ học cách ghép các neuron lại và dạy chúng!

Analogy: Quán phở

Định nghĩa đơn giản

Forward Propagation là quá trình:

1. Đưa dữ liệu vào (Input)
2. Qua từng layer tính toán
3. Ra kết quả dự đoán (Output)

Minh họa trực quan

Ví dụ cụ thể

Analogy: Điểm số bài thi

Các loại Loss Function

Cách chọn Loss Function

Ví dụ tính Loss

Analogy: Học sinh sửa bài

Định nghĩa đơn giản

Backpropagation (lan truyền ngược) là quá trình:

1. Biết được sai số (Loss)
2. Truyền ngược về từng layer
3. Tìm ra mỗi weight "có lỗi" bao nhiêu

So sánh Forward vs Backward

Minh họa trực quan

Analogy: Xuống núi trong sương mù

Công thức (đơn giản hóa)

$W_{m\text{\u1edbi}} = W_{c\text{\u0169}} - \underbrace{\eta}_{\text{Learning Rate}} \times \underbrace{\nabla L}_{\text{Gradient}}$

Trong đó:

• Tốc độ học (Learning Rate $\eta$): Bước đi lớn hay nhỏ
• Hướng sửa (Gradient $\nabla L$): Sửa theo hướng nào

Learning Rate quan trọng như thế nào?

Minh họa

Sơ đồ đơn giản

Giải thích từng bước

Các thuật ngữ cần biết

Code đơn giản với Keras

1import tensorflow as tf
2from tensorflow.keras import layers, models
3
4# 1. Tạo model đơn giản
5model = models.Sequential([
6    layers.Dense(4, activation='relu', input_shape=(2,)),  # Hidden layer
7    layers.Dense(1, activation='sigmoid')                   # Output layer
8])
9
10# 2. Compile = Chọn cách học
11model.compile(
12    optimizer='adam',              # Cách sửa weights
13    loss='binary_crossentropy',    # Cách tính điểm (loss)
14    metrics=['accuracy']           # Theo dõi độ chính xác
15)
16
17# 3. Chuẩn bị data
18import numpy as np
19X = np.array([[25, 5], [30, 8], [22, 3], [45, 12], [35, 6]])  # Tuổi, Thu nhập
20y = np.array([0, 1, 0, 1, 1])  # Có mua (1) / Không mua (0)
21
22# 4. Training! (Forward + Backward + Update tự động)
23print("Bắt đầu training...")
24history = model.fit(X, y, epochs=100, verbose=0)
25
26# 5. Xem kết quả
27print(f"Loss cuối: {history.history['loss'][-1]:.4f}")
28print(f"Accuracy: {history.history['accuracy'][-1]*100:.1f}%")
29
30# 6. Dự đoán
31new_customer = np.array([[28, 7]])  # Tuổi 28, thu nhập 7 triệu
32prediction = model.predict(new_customer, verbose=0)
33print(f"\nKhách hàng mới (28 tuổi, 7 triệu):")
34print(f"Xác suất mua: {prediction[0][0]*100:.1f}%")

1Bắt đầu training...
2Loss cuối: 0.4521
3Accuracy: 80.0%
4 
5Khách hàng mới (28 tuổi, 7 triệu):
6Xác suất mua: 65.3%

Giải thích code

Những điểm cần nhớ

Quy trình training = 5 bước

Câu hỏi tự kiểm tra

1. Forward Propagation đi theo hướng nào?
2. Loss thấp hay cao là tốt?
3. Backpropagation dùng để làm gì?
4. Learning rate quá lớn gây vấn đề gì?

Bài tiếp theo

Training với TensorFlow/Keras - Thực hành xây dựng và train model thực tế!