Tất cả câu hỏi

Đáp án đúng: "!pip install tensorflow". Trong ô mã Colab, dấu chấm than ở đầu dòng báo cho notebook chạy phần còn lại như một lệnh shell của máy ảo, nên lệnh pip cài gói TensorFlow vào môi trường Python của runtime; thực tế Colab đã cài sẵn TensorFlow, lệnh này thường dùng để cài hoặc đổi phiên bản cụ thể. "%install tensorflow" dùng tiền tố phần trăm của magic command nhưng không có magic nào tên install; magic thật cho việc này là pip với tiền tố phần trăm. "#install tensorflow" chỉ là một dòng chú thích Python, trình thông dịch bỏ qua nên không cài gì cả. "$conda install tensorflow" sai vì dấu đô la không phải tiền tố lệnh trong notebook, và runtime Colab mặc định dùng pip chứ không có conda.

Đáp án đúng: "Transferring knowledge gained from pre-trained models to new tasks". Transfer learning (học chuyển giao) dùng lại trọng số của một CNN đã huấn luyện trên tập lớn như ImageNet (ví dụ InceptionV3, MobileNet): các lớp tích chập đã học được đặc trưng chung như cạnh, kết cấu, hình dạng, ta đóng băng chúng (trainable=False) rồi chỉ huấn luyện vài lớp mới ở đầu ra cho bài toán của mình, nhờ đó cần ít dữ liệu và ít thời gian hơn. "Transferring images between different devices for processing" sai vì đó là truyền dữ liệu giữa thiết bị, không phải chuyển tri thức của mô hình. "Transferring image features to generate artistic designs" sai vì đó gần với neural style transfer (chuyển phong cách), một ứng dụng khác chứ không phải định nghĩa học chuyển giao. "Transferring data between training and validation sets" sai vì chuyển mẫu giữa tập huấn luyện và tập kiểm định chỉ là cách chia dữ liệu, còn làm rò rỉ dữ liệu kiểm định.

Đáp án đúng: "By increasing the number of convolutional layers". Độ sâu của ConvNet là số lớp xếp chồng; thêm các khối Conv2D (thường đi kèm MaxPooling2D) giúp các lớp đầu học cạnh và góc, các lớp sau ghép chúng thành họa tiết, bộ phận rồi cả vật thể, nên mạng nắm được đặc trưng phân cấp phức tạp hơn của ảnh lớn hay ảnh màu. "By adding more neurons to the dense layers" sai vì làm vậy chỉ mở rộng bề ngang phần phân loại phía sau, không tăng số tầng trích xuất đặc trưng và còn làm số tham số phình to. "By reducing the number of pooling layers" sai vì bớt pooling chỉ làm bản đồ đặc trưng giữ kích thước lớn hơn, tốn tính toán hơn, chứ không thêm tầng học nào. "By removing the activation functions from the layers" sai vì không có hàm kích hoạt phi tuyến như ReLU thì nhiều lớp tuyến tính chồng lên nhau tương đương một lớp tuyến tính duy nhất, khiến mạng kém biểu diễn hơn chứ không sâu hơn.

Đáp án đúng: "tf.keras.layers.MaxPooling2D()". Trong Keras, max pooling là một lớp nằm trong module tf.keras.layers và được khởi tạo như mọi lớp khác, rồi đặt vào danh sách của tf.keras.Sequential hoặc thêm bằng model.add; mặc định pool_size=(2, 2) lấy giá trị lớn nhất trong mỗi ô 2×2, làm chiều rộng và chiều cao bản đồ đặc trưng giảm một nửa, ví dụ 26×26 thành 13×13. "tf.add(MaxPooling2D())" dùng nhầm tf.add, vốn là phép cộng từng phần tử giữa hai tensor chứ không phải thao tác thêm lớp. "tf.layers.add(MaxPooling2D())" không phải API hợp lệ; việc thêm lớp là phương thức add của đối tượng mô hình chứ không nằm trong module lớp. "tf.pooling.add(MaxPooling2D())" cũng không tồn tại vì TensorFlow không có module tf.pooling với hàm add.

Đáp án đúng: "148x148". Lớp Conv2D với padding mặc định 'valid' (không đệm) và stride 1 chỉ đặt bộ lọc ở những vị trí nằm trọn trong ảnh, nên mỗi chiều đầu ra bằng kích thước vào − kích thước kernel + 1, tức 150 − 3 + 1 = 148; ảnh 150x150 qua kernel 3x3 cho bản đồ đặc trưng 148x148, mất một điểm ảnh ở mỗi viền. "153x153" sai vì tích chập không đệm không bao giờ làm ảnh lớn hơn; con số này là cộng thêm kích thước kernel thay vì trừ. "150x150" sai vì giữ nguyên kích thước chỉ xảy ra khi đặt padding='same', còn câu hỏi mô tả tích chập 3x3 thông thường. "450x450" sai vì đó là nhân 150 với 3, nhầm phép tích chập với phóng to ảnh; kích thước kernel không nhân vào kích thước đầu ra.

Đáp án đúng: "By using the ReduceLROnPlateau callback". Callback ReduceLROnPlateau theo dõi một chỉ số như val_loss và khi nó không cải thiện sau số epoch bằng patience thì nhân learning rate với factor, ví dụ 0.1, cho tới mức min_lr; đây là cách điều chỉnh tốc độ học trong lúc huấn luyện thông qua callback truyền vào model.fit. Keras còn có callback LearningRateScheduler đặt learning rate theo một hàm của epoch, nhưng nó không nằm trong các lựa chọn. "By using the ModelCheckpoint callback" sai vì callback này lưu mô hình hoặc trọng số, thường kèm save_best_only, không đụng tới learning rate. "By using the EarlyStopping callback" sai vì nó dừng hẳn huấn luyện khi chỉ số ngừng cải thiện chứ không giảm tốc độ học. "Learning rate schedules cannot be implemented with callbacks" sai vì chính các callback vừa nêu cho phép thay đổi learning rate theo lịch hoặc theo tiến độ huấn luyện.

Đáp án đúng: "It encourages the model to capture general patterns rather than noise.". Mô hình càng nhiều lớp và nhiều tham số thì càng có khả năng ghi nhớ từng mẫu huấn luyện kể cả nhiễu; giảm độ phức tạp, ví dụ bớt lớp, bớt nơ-ron hoặc thêm regularization (chuẩn hoá phạt trọng số), giới hạn khả năng ghi nhớ đó, buộc mô hình chỉ giữ những quy luật xuất hiện lặp lại trên nhiều mẫu, nên tổng quát hoá tốt hơn. "It increases the risk of overfitting." nói ngược cơ chế, vì chính mô hình quá phức tạp mới làm tăng nguy cơ quá khớp. "It has no impact on overfitting." sai vì dung lượng mô hình là một trong những yếu tố quyết định mức quá khớp. "It makes the model more prone to memorizing noise." cũng ngược lại, mô hình đơn giản hơn ít khả năng ghi nhớ nhiễu hơn, dù giảm quá tay có thể dẫn đến underfitting (chưa khớp).

Đáp án đúng: "The balance between precision and recall". F1 Score là trung bình điều hoà của precision (độ chính xác dự đoán dương) và recall (độ phủ): F1 = 2 × precision × recall / (precision + recall), nên chỉ cao khi cả hai cùng cao; nó dùng khi kết quả dự báo được quy thành nhãn lớp, như dự báo có tăng hay không, còn dự báo giá trị liên tục thì dùng MAE hoặc MSE. "The ratio of true positive predictions to total predicted positives" sai vì đó là định nghĩa của riêng precision, chỉ một thành phần của F1. "The overall accuracy of the model" sai vì accuracy là tỉ lệ dự đoán đúng trên tổng số mẫu, dễ gây hiểu nhầm khi lớp mất cân bằng, và F1 ra đời chính để khắc phục điều đó. "The correlation between predicted and actual values" sai vì hệ số tương quan đo mức cùng biến thiên của hai dãy số liên tục, không dựa trên precision hay recall.

Đáp án đúng: "Determining the emotional tone of the text". Sentiment analysis (phân tích cảm xúc) là bài toán phân loại văn bản theo thái độ, chẳng hạn tích cực hay tiêu cực ở đánh giá phim IMDB; mô hình Keras điển hình gồm Tokenizer, Embedding, rồi LSTM hoặc GlobalAveragePooling1D và một lớp Dense sigmoid xuất xác suất câu mang sắc thái tích cực. "Identifying grammatical errors" sai vì phát hiện lỗi ngữ pháp là bài toán sửa lỗi văn bản, quan tâm tới cấu trúc câu chứ không tới thái độ người viết. "Extracting meaning from text" quá rộng: đó là mục tiêu chung của hiểu ngôn ngữ tự nhiên, bao gồm cả phân tích cảm xúc lẫn nhiều bài toán khác, nên không mô tả đúng riêng mục tiêu được hỏi. "Summarizing the text content" sai vì tóm tắt văn bản là sinh ra bản rút gọn nội dung, một bài toán khác hẳn với việc gán nhãn cảm xúc.

Đáp án đúng: "If the training accuracy is high but the validation accuracy is low.". Overfitting (quá khớp) nghĩa là mô hình học thuộc tập huấn luyện, kể cả nhiễu, nên làm rất tốt trên dữ liệu đã thấy nhưng kém trên dữ liệu mới; dấu hiệu trên số đo là khoảng cách lớn giữa độ chính xác huấn luyện cao và độ chính xác kiểm định thấp hơn hẳn. "If both training and validation accuracies are high." là trạng thái mong muốn, cho thấy mô hình tổng quát hoá tốt chứ không phải quá khớp. "If the model has a low learning rate." chỉ ảnh hưởng tốc độ và độ ổn định của hội tụ, bản thân nó không phải số đo hiệu năng cho biết có quá khớp hay không. "If the number of epochs is too small." thường dẫn đến underfitting (chưa khớp), tức mô hình chưa học đủ, ngược với quá khớp vốn hay xuất hiện khi huấn luyện quá nhiều epoch.

Đáp án đúng: "Lack of regularization allows the model to fit the training data too closely.". Regularization (chính quy hoá) như L1/L2 (kernel_regularizer) hay Dropout thêm ràng buộc hoặc phạt vào hàm mất mát để trọng số không phình to, giữ mô hình đơn giản; thiếu nó, một mô hình nhiều tham số tự do uốn theo cả nhiễu của tập huấn luyện, dẫn tới overfitting (quá khớp). "Regularization has no impact on overfitting." sai vì chống quá khớp chính là mục đích của chính quy hoá. "Regularization leads to underfitting rather than overfitting." chỉ đúng khi hệ số phạt đặt quá lớn làm mô hình quá đơn giản; câu hỏi nói về việc thiếu chính quy hoá, nên phát biểu này không trả lời cơ chế được hỏi. "Lack of regularization increases the learning rate." sai vì learning rate (tốc độ học) là siêu tham số của bộ tối ưu, độc lập với việc có chính quy hoá hay không.

Đáp án đúng: "It normalizes pixel values to a specified range.". Tham số rescale là hệ số được nhân vào mọi giá trị điểm ảnh trước các biến đổi khác; cách dùng điển hình là rescale=1./255 để đưa điểm ảnh từ khoảng 0 tới 255 về khoảng 0 tới 1, giúp đầu vào có thang nhỏ và ổn định để gradient descent hội tụ tốt hơn. "It resizes images to a specified shape." sai vì việc đổi kích thước ảnh do tham số target_size của flow_from_directory đảm nhận, rescale không đổi số điểm ảnh. "It rotates images randomly during training." sai vì xoay ngẫu nhiên được điều khiển bằng rotation_range, một tham số tăng cường dữ liệu khác. "It converts images to grayscale." sai vì chuyển sang ảnh xám được chọn bằng color_mode='grayscale' khi đọc ảnh; nhân với hệ số không làm giảm số kênh màu.

Đáp án đúng: "Recurrent Neural Network (RNN)". Dự đoán từ tiếp theo đòi hỏi mô hình đọc một chuỗi từ theo thứ tự và giữ lại ngữ cảnh đã đọc; RNN làm việc đó nhờ trạng thái ẩn được truyền từ bước này sang bước sau, và các biến thể LSTM, GRU giữ ngữ cảnh xa tốt hơn, nên trong Keras mô hình sinh văn bản thường gồm Embedding, Bidirectional LSTM rồi Dense softmax trên toàn bộ từ vựng. "Convolutional Neural Network (CNN)" mạnh ở việc trích mẫu cục bộ trong ảnh và có thể dùng Conv1D cho văn bản, nhưng không có trạng thái nhớ tuần tự nên không phải lựa chọn phổ biến cho bài toán này. "Support Vector Machine (SVM)" là mô hình học máy truyền thống cho phân loại, không xử lý chuỗi có độ dài thay đổi theo thứ tự. "Decision Tree" cũng là mô hình truyền thống, chia dữ liệu theo ngưỡng đặc trưng, không phải kiến trúc học sâu và không mô hình hoá thứ tự từ.

Đáp án đúng: "Preprocessing and augmenting image data for model training". ImageDataGenerator của Keras vừa tiền xử lý (như rescale=1./255 để chuẩn hoá điểm ảnh) vừa tăng cường dữ liệu theo thời gian thực bằng các phép biến đổi ngẫu nhiên như rotation_range, zoom_range, horizontal_flip, rồi đưa ảnh theo batch vào model.fit qua flow_from_directory. "Generating synthetic images for training" sai vì công cụ này chỉ biến đổi ảnh có sẵn, không sinh ảnh mới từ đầu như mô hình sinh (GAN). "Resizing images to a fixed dimension" chỉ là một phần nhỏ: flow_from_directory có tham số target_size để đổi kích thước, nhưng đó không phải mục đích chính của cả công cụ. "Loading images from external URLs" sai vì ImageDataGenerator đọc ảnh từ mảng hoặc thư mục trên đĩa; tải tệp từ địa chỉ web là việc của tf.keras.utils.get_file.

Đáp án đúng: "It helps identify patterns within a single time series at different lags.". Autocorrelation (tự tương quan) là hệ số tương quan giữa một chuỗi với chính nó khi bị dịch đi k bước; vẽ hàm ACF theo các độ trễ cho thấy chuỗi có xu hướng (tự tương quan giảm chậm), có mùa vụ (đỉnh lặp lại ở độ trễ bằng chu kỳ, ví dụ 12 với dữ liệu tháng) hay gần như nhiễu trắng, từ đó chọn kích thước cửa sổ và mô hình dự báo. "It measures the correlation between different time series." sai vì quan hệ giữa hai chuỗi khác nhau là cross-correlation (tương quan chéo), không phải tự tương quan. "It calculates the average correlation across multiple time series." sai vì tự tương quan tính trên đúng một chuỗi, không lấy trung bình qua nhiều chuỗi. "It assesses the correlation between time series and external factors." sai vì đánh giá ảnh hưởng của yếu tố bên ngoài là việc phân tích biến ngoại sinh hoặc tương quan chéo với biến đó, nằm ngoài định nghĩa tự tương quan.

Đáp án đúng: "It acts as a feature extractor for the new model". Trong transfer learning (học chuyển giao), ta nạp một mạng đã huấn luyện trên tập lớn như ImageNet, thường với include_top=False để bỏ phần phân loại cũ, đặt trainable=False để giữ nguyên trọng số, rồi để các lớp tích chập của nó biến ảnh thành bản đồ đặc trưng; các lớp mới thêm phía sau như GlobalAveragePooling2D và Dense sẽ học phân loại cho bài toán mới từ các đặc trưng đó. "It serves as the output layer of the new model" sai vì mô hình nền nằm ở phần đầu, còn lớp đầu ra là lớp Dense mới thêm vào. "It replaces the need for custom layers in the new model" sai vì vẫn phải thêm lớp tuỳ biến để khớp số lớp của bài toán mới. "It initializes the weights of the entire new model" sai vì mô hình nền chỉ cung cấp trọng số cho phần của nó, các lớp mới vẫn được khởi tạo ngẫu nhiên và học từ đầu.

Đáp án đúng: "Another vector". Phép cộng hai vectơ cùng số chiều trong TensorFlow (tf.add hoặc toán tử +) là phép toán theo từng phần tử (element-wise): phần tử thứ i của kết quả bằng tổng hai phần tử thứ i, nên đầu ra có cùng shape với đầu vào, ví dụ [1, 2, 3] + [4, 5, 6] = [5, 7, 9], vẫn là một tensor hạng 1. "A scalar value" sai vì ra một số vô hướng là kết quả của tích vô hướng (tf.tensordot hoặc tf.reduce_sum của tích), không phải phép cộng. "A matrix" sai vì muốn ra ma trận phải dùng tích ngoài (outer product) hoặc broadcasting giữa vectơ hàng và vectơ cột có shape khác nhau, còn ở đây hai vectơ cùng shape. "A higher-dimensional tensor" sai vì phép cộng phần tử không làm tăng hạng tensor; hạng đầu ra bằng hạng đầu vào.

Đáp án đúng: "Random rotation". Data augmentation (tăng cường dữ liệu) tạo các biến thể ngẫu nhiên của ảnh huấn luyện ngay trong lúc huấn luyện để mô hình thấy vật thể ở nhiều góc nhìn và ít quá khớp hơn; xoay ngẫu nhiên là phép phổ biến nhất, được đặt bằng rotation_range trong ImageDataGenerator hoặc lớp RandomRotation trong Keras. "Image compression" làm giảm dung lượng tệp và có thể làm mất chi tiết, không phải phép tạo biến thể hình học dùng để tăng cường. "Grayscale conversion" là bước tiền xử lý cố định đổi ảnh màu sang một kênh, áp như nhau cho mọi ảnh nên không tạo thêm sự đa dạng. "Pixel normalization" như chia cho 255 là chuẩn hoá thang giá trị để huấn luyện ổn định, cũng áp giống nhau cho mọi ảnh chứ không sinh ảnh mới.

Đáp án đúng: "The process of getting very close to the correct answer.". Convergence (hội tụ) mô tả quá trình huấn luyện mà sau nhiều lần cập nhật trọng số bằng gradient descent, giá trị loss giảm dần và ổn định quanh mức nhỏ nhất, tức dự đoán của mô hình tiến rất gần tới đáp án đúng; nhìn trên đồ thị, đường loss đi xuống rồi đi ngang. "A dramatic increase in loss." sai vì loss tăng vọt là dấu hiệu phân kỳ (divergence), thường do learning rate quá lớn, ngược với hội tụ. "A programming API for AI." sai vì hội tụ là một khái niệm của quá trình tối ưu, không phải một thư viện hay giao diện lập trình như Keras. "An analysis that corresponds too closely or exactly to a particular set of data." sai vì đó là định nghĩa của overfitting (quá khớp), khi mô hình bám quá sát dữ liệu huấn luyện và kém tổng quát.