Bạn đã bao giờ tự hỏi làm sao điện thoại nhận diện được mặt bạn để mở khóa, hay cách Facebook tự động gắn thẻ bạn bè trong ảnh? Câu trả lời nằm ở một kiến trúc deep learning đã thay đổi hoàn toàn cách máy tính “nhìn” thế giới: CNN (Convolutional Neural Network).
Trong bài này, mình sẽ giải thích CNN là gì, cách nó hoạt động, và tại sao nó trở thành nền tảng cho hầu hết ứng dụng thị giác máy tính (computer vision) ngày nay.
CNN (Convolutional Neural Network) Là Gì?
CNN (Convolutional Neural Network) là một loại neural network được thiết kế đặc biệt để xử lý dữ liệu có cấu trúc lưới, phổ biến nhất là hình ảnh. Thay vì xử lý từng pixel một cách độc lập, CNN dùng phép tích chập (convolution) để quét qua vùng nhỏ của ảnh, giúp máy tính nhận diện được các đặc trưng như cạnh, đường nét, hình khối, và sau đó là các vật thể phức tạp hơn.
Nói đơn giản hơn: nếu neural network thông thường nhìn ảnh như một danh sách dài các con số, thì CNN nhìn ảnh như con người nhìn — nó chú ý đến các vùng gần nhau và cách chúng liên quan tới nhau.
Tại Sao Cần CNN Thay Vì Dùng Neural Network Thường?
Một câu hỏi rất hợp lý. Nếu bạn đưa ảnh thẳng vào một neural network thông thường (fully connected), chuyện gì sẽ xảy ra?
Giả sử ảnh kích thước 224×224 pixel, 3 kênh màu (RGB). Đầu vào sẽ là 224 × 224 × 3 = 150.528 giá trị. Nếu lớp ẩn đầu tiên có 1.000 neuron, bạn cần tới 150 triệu tham số chỉ ở lớp đầu tiên. Với ảnh lớn hơn, con số này còn kinh khủng hơn.
CNN giải quyết vấn đề này bằng cách dùng phép tích chập — một kỹ thuật chia nhỏ ảnh thành các vùng, mỗi vùng chỉ cần một bộ tham số nhỏ. Điều này giúp giảm số lượng tham số đáng kể mà vẫn nắm bắt được thông tin quan trọng.
Cách CNN Hoạt Động: Xây Dựng Từng Lớp
Để hiểu CNN, bạn cần nắm được các thành phần chính tạo nên nó. Mình sẽ đi qua từng thành phần.
Phép Tích Chập (Convolution)
Đây là trái tim của CNN. Một bộ lọc (filter/kernel) nhỏ — thường là ma trận 3×3 hoặc 5×5 — sẽ trượt qua toàn bộ ảnh. Tại mỗi vị trí, nó nhân từng phần tử của filter với vùng ảnh tương ứng, rồi cộng lại thành một con số.
Kết quả là một “bản đồ đặc trưng” (feature map) cho biết vị trí nào trong ảnh có những đặc trưng mà filter đang tìm. Các filter ở lớp đầu tiên thường phát hiện các thứ đơn giản như đường ngang, đường dọc, góc. Các lớp sâu hơn sẽ kết hợp những đặc trưng này để nhận diện vật thể phức tạp hơn.
Hàm Kích Hoạt ReLU
Sau phép tích chập, kết quả thường được đưa qua hàm ReLU (Rectified Linear Unit). ReLU rất đơn giản: nếu giá trị âm, đổi thành 0; nếu dương, giữ nguyên. Mục đích là thêm tính phi tuyến cho mạng, giúp nó học được các đặc trưng phức tạp thay vì chỉ làm phép tuyến tính.
Pooling (Gộp)
Pooling giúp giảm kích thước của feature map, giữ lại thông tin quan trọng mà bỏ bớt chi tiết thừa. Loại phổ biến nhất là Max Pooling — chia feature map thành các vùng nhỏ (thường 2×2), lấy giá trị lớn nhất trong mỗi vùng.
Nếu feature map ban đầu có kích thước 224×224, sau Max Pooling 2×2 nó chỉ còn 112×112. Điều này giúp giảm tính toán và làm mạng linh hoạt hơn với các thay đổi nhỏ về vị trí của vật thể trong ảnh.
Fully Connected Layer
Sau nhiều lớp tích chập và pooling, đặc trưng được “làm phẳng” (flatten) thành một vector, rồi đưa qua một hoặc nhiều lớp fully connected — giống như neural network truyền thống. Nhiệm vụ của phần này là tổng hợp tất cả đặc trưng để đưa ra quyết định cuối cùng: ảnh này chứa mèo hay chó, mặt này là ai, v.v.
Ví Dụ Thực Tế: CNN Nhận Diện Mặt
Giả sử bạn train một CNN để phân biệt ảnh mèo và chó. Dưới đây là cách CNN xử lý từng bức ảnh:
Lớp 1: Học các đặc trưng cơ bản — cạnh, đường thẳng, vùng sáng/tối.
Lớp 2-3: Kết hợp các cạnh thành hình khối đơn giản — vòng tròn (mắt), tam giác (tai).
Lớp 4-5: Kết hợp hình khối thành bộ phận — một cặp mắt, cái mũi, bộ ria.
Lớp cuối: Tổng hợp tất cả để ra quyết định — đây là mèo.
Điều thú vị là không ai lập trình cho CNN biết “mắt tròn” hay “tai nhọn”. Nó tự học những đặc trưng này từ dữ liệu huấn luyện. Bạn chỉ cần cho nó đủ ảnh mèo và chó, nó sẽ tự tìm ra cách phân biệt.
Ứng Dụng Của CNN Trong Đời Sống
CNN không chỉ nằm trong phòng nghiên cứu. Nó đang chạy trên điện thoại, xe tự lái, camera an ninh của bạn mỗi ngày:
Nhận diện khuôn mặt: Face ID trên iPhone, tagging bạn bè trên Facebook, hệ thống kiểm soát cửa ra vào.
Y tế: Phân tích ảnh X-ray, MRI để phát hiện ung thư, bệnh về mắt, bất thường trong nội tạng. CNN đã đạt độ chính xác ngang ngửa, thậm chí vượt bác sĩ trong một số bài toán cụ thể.
Xe tự lái: Tesla, Waymo dùng CNN để nhận diện người đi bộ, biển báo, làn đường, xe khác trên đường — theo thời gian thực.
Thương mại điện tử: Tìm kiếm bằng hình ảnh trên Shopee, Lazada — bạn chụp ảnh sản phẩm, CNN tìm ra sản phẩm tương tự.
Nhược Điểm Của CNN
CNN rất mạnh, nhưng không hoàn hảo. Mình muốn bạn hiểu cả hai mặt:
Cần nhiều dữ liệu: Để train một CNN tốt, bạn cần hàng nghìn, thậm chí hàng triệu ảnh. Ít dữ liệu hơn, mô hình sẽ overfit — học thuộc lòng dữ liệu train nhưng kém khi gặp ảnh mới.
Tốn nhiều tính toán: CNN đòi hỏi phần cứng mạnh, đặc biệt là GPU. Training một CNN lớn có thể mất hàng ngày, thậm chí hàng tuần.
Không hiểu “vị trí” tốt: CNN truyền thống không nắm bắt được quan hệ không gian giữa các vật thể trong ảnh. Một bức ảnh có “con mèo坐在 xe hơi” và “xe hơi đè lên con mèo” có thể bị CNN nhận diện giống nhau.
Transformer đang lấn sân: Với sự trỗi dậy của Vision Transformer, CNN không còn là lựa chọn duy nhất cho thị giác máy tính. Tuy nhiên, CNN vẫn phổ biến nhờ hiệu quả cao khi dữ liệu hạn chế và dễ tối ưu hơn.
CNN Vs Vision Transformer: Ai Đang Thắng?
Đây là câu hỏi nhiều người quan tâm. Vision Transformer (ViT) đã đạt kết quả ấn tượng, vượt CNN trong nhiều benchmark khi có đủ dữ liệu. Nhưng CNN vẫn có ưu điểm riêng:
CNN hiệu quả hơn khi dữ liệu ít — một lợi thế lớn trong thực tế, vì không phải dự án nào cũng có hàng triệu ảnh. CNN cũng dễ triển khai trên thiết bị edge (mobile, IoT) nhờ kiến trúc gọn nhẹ hơn.
Mình nghĩ CNN sẽ không biến mất. Thay vào đó, chúng ta sẽ thấy nhiều kiến trúc kết hợp — dùng CNN để trích đặc trưng cấp thấp, Transformer để xử lý quan hệ cấp cao. Tốt nhất của cả hai thế giới.
Lời Kết
CNN đã mở ra kỷ nguyên thị giác máy tính, biến những việc tưởng chừng невозмож như nhận diện mặt, phát hiện ung thư, hay xe tự lái thành hiện thực. Dù Vision Transformer đang nổi lên, CNN vẫn là nền tảng quan trọng cần hiểu nếu bạn muốn đi sâu vào AI và computer vision.
Nếu bạn mới bắt đầu, mình khuyên nên thử train một CNN đơn giản trên tập dữ liệu MNIST (chữ số viết tay) hoặc CIFAR-10 (ảnh vật thể nhỏ). Khi tự tay xây CNN và thấy nó nhận diện đúng, bạn sẽ hiểu tại sao kiến trúc này đã thay đổi thế giới.
