.. raw:: html

   <!-- ===================== Bắt đầu dịch ==================== -->

.. raw:: html

   <!--
   # Multilayer Perceptrons
   -->

.. _chap_perceptrons:

Perceptron Đa tầng
==================


.. raw:: html

   <!--
   In this chapter, we will introduce your first truly *deep* networks.
   The simplest deep networks are called multilayer perceptrons, and they consist of many layers of neurons each fully connected to those in the layer below 
   (from which they receive input) and those above (which they, in turn, influence).
   When we train high-capacity models we run the risk of overfitting.
   Thus, we will need to provide your first rigorous introduction to the notions of overfitting, underfitting, and capacity control.
   To help you combat these problems, we will introduce regularization techniques such as dropout and weight decay.
   We will also discuss issues relating to numerical stability and parameter initialization that are key to successfully training deep networks.
   Throughout, we focus on applying models to real data, aiming to give the reader a firm grasp not just of the concepts but also of the practice of using deep networks.
   We punt matters relating to the computational performance, scalability and efficiency of our models to subsequent chapters.
   -->

Trong chương này, chúng tôi sẽ giới thiệu mạng nơ-ron *sâu* thực sự đầu
tiên của bạn. Mạng nơ-ron sâu đơn giản nhất được gọi là perceptron đa
tầng. Nó gồm nhiều tầng nơ-ron, mỗi nơ-ron được kết nối đầy đủ với các
nơ-ron khác ở tầng phía dưới (các nơ-ron cung cấp đầu vào) và tầng phía
trên (các nơ-ron mà nó gây ảnh hưởng). Khi huấn luyện các mô hình có độ
phức tạp cao, ta sẽ có nguy cơ gặp vấn đề quá khớp. Vì vậy, chúng tôi
cần cung cấp cho bạn những hiểu biết ban đầu thật chặt chẽ với các khái
niệm quá khớp, dưới khớp và kiểm soát độ phức tạp. Nhằm giúp bạn giải
quyết những vấn đề kể trên, chúng tôi sẽ giới thiệu những kỹ thuật điều
chuẩn như dropout và suy giảm trọng số. Ta cũng sẽ bàn đến các vấn đề
liên quan tới sự ổn định số học và việc khởi tạo tham số, hai yếu tố
chính giúp việc huấn luyện mạng nơ-ron sâu thành công. Xuyên suốt chương
này, chúng tôi tập trung vào việc áp dụng các mô hình cho dữ liệu thực
tế, nhằm giúp độc giả không chỉ nắm vững được các khái niệm mà còn có
thể thực hành sử dụng mạng nơ-ron sâu. Những vấn đề liên quan tới hiệu
năng tính toán, khả năng mở rộng và mức hiệu quả của mô hình sẽ được
giới thiệu ở các chương sau.

.. toctree::
   :maxdepth: 2

   mlp_vn
   mlp-scratch_vn
   mlp-gluon_vn
   underfit-overfit_vn
   weight-decay_vn
   dropout_vn
   backprop_vn
   numerical-stability-and-init_vn
   environment_vn
   kaggle-house-price_vn

.. raw:: html

   <!-- ===================== Kết thúc dịch ==================== -->

Những người thực hiện
---------------------

Bản dịch trong trang này được thực hiện bởi:

-  Đoàn Võ Duy Thanh
-  Phạm Minh Đức