# 1️⃣ Thế nào là “Deep”?

<figure><img src="/files/Y3iJKG9zKn2EQc1OT5nr" alt=""><figcaption></figcaption></figure>

Trong **Deep Learning**, từ **“Deep” (sâu)** **không mang nghĩa triết học hay mơ hồ**, mà có ý nghĩa **rất cụ thể về mặt kỹ thuật**.

***

#### 1. “Deep” = **Nhiều tầng ẩn (hidden layers)**

* Một mô hình được gọi là **deep** khi nó có **nhiều tầng xử lý nối tiếp nhau**.
* Mỗi tầng học ra **một mức biểu diễn (representation)** ngày càng trừu tượng hơn.

So sánh nhanh:

| Loại mô hình      | Số tầng ẩn          | Đặc điểm                        |
| ----------------- | ------------------- | ------------------------------- |
| **Shallow model** | 0–1                 | Học quan hệ đơn giản            |
| **Deep model**    | ≥ 2 (thường 5–100+) | Học quan hệ phức tạp, phi tuyến |

> ⚠️ Không có con số “chuẩn” tuyệt đối, nhưng **≥ 2 hidden layers** thường được xem là *deep*.

***

#### 2. “Deep” là **học phân cấp (hierarchical learning)**

Điểm cốt lõi của Deep Learning **không chỉ là nhiều tầng**, mà là:

> 👉 **Mỗi tầng học một mức trừu tượng cao hơn tầng trước**

Ví dụ trực quan:

**📷 Nhận dạng hình ảnh**

* Tầng 1: cạnh, góc, đường thẳng
* Tầng 2: hình khối, hoa văn
* Tầng 3: bộ phận (mắt, mũi, bánh xe)
* Tầng 4: đối tượng hoàn chỉnh (người, xe, mèo)

**📝 Xử lý ngôn ngữ**

* Tầng 1: ký tự / token
* Tầng 2: từ
* Tầng 3: cụm từ
* Tầng 4: ngữ nghĩa / ngữ cảnh

➡️ **Càng lên cao → càng “hiểu” hơn, nhưng ít chi tiết hơn**

***

#### 3. Vì sao cần “Deep”?

Nếu chỉ dùng 1 tầng (shallow):

* Phải **tự thiết kế đặc trưng (feature engineering)**
* Khó xử lý dữ liệu phức tạp (ảnh, tiếng nói, protein, gene…)

Deep Learning giải quyết bằng cách:

* **Tự động học đặc trưng**
* **Học được quan hệ phi tuyến rất phức tạp**
* Mô hình hóa dữ liệu có cấu trúc sâu (sequence, graph, image, 3D…)

***

#### 4. “Deep” ≠ “To” (big)

Một nhầm lẫn phổ biến:

❌ *Deep learning là mô hình rất lớn*\
✔️ **Không hẳn**

* **Deep** → nói về **chiều sâu (depth)**
* **Big** → nói về **số tham số / kích thước**

Có mô hình:

* Deep nhưng nhỏ (ít neuron mỗi tầng)
* Nông (shallow) nhưng rất to

***

#### 5. Tóm tắt ngắn gọn (để ghi nhớ)

> **Deep Learning = Neural Network nhiều tầng, học biểu diễn dữ liệu theo từng mức trừu tượng từ thấp → cao**

Công thức nhớ nhanh:

```
Data → Layer 1 → Layer 2 → Layer 3 → ... → Output
      (low-level)      (high-level meaning)
```

<figure><img src="/files/qBptsnWB6VyyHphsK4Jw" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/deep-learning-co-ban-core/the-nao-la-deep.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.