# Ví dụ mô hình đơn giản

<figure><img src="/files/7XXFzJ6h5xHapVrKah2z" alt=""><figcaption></figcaption></figure>

### 1. Bài toán giả lập (rất đơn giản)

**Binary classification**\
Ví dụ (minh họa):

* Dự đoán **nguy cơ (0 / 1)** dựa trên 3 đặc trưng:
  * x1x\_1x1​: chỉ số A
  * x2x\_2x2​: chỉ số B
  * x3x\_3x3​: chỉ số C

> Đây chỉ là ví dụ logic, **không gắn domain cụ thể**.

***

### 2. Cấu trúc mạng (rất nhỏ)

```
Input (3)
   ↓
Hidden layer (2 neurons, ReLU)
   ↓
Output layer (1 neuron, Sigmoid)
```

* **Input layer**: 3 giá trị số
* **Hidden layer**: 2 neuron
* **Output layer**: 1 neuron → xác suất (0–1)

***

### 3. Forward pass – mạng “đoán”

#### 🔹 Bước 1: Input → Hidden layer

* Mỗi neuron hidden:
  * Nhận 3 input
  * Nhân weight
  * Cộng bias
  * Qua **ReLU**

→ Tạo ra **2 giá trị trung gian**

***

#### 🔹 Bước 2: Hidden → Output

* Neuron output:
  * Nhận 2 giá trị từ hidden
  * Tính tổng có trọng số
  * Qua **Sigmoid**

→ Ra **prediction** (ví dụ: 0.73)

***

### 4. Loss – mạng biết mình sai

Giả sử:

* Nhãn thật = **1**
* Dự đoán = **0.73**

→ **Binary Cross-Entropy Loss**:

* Loss nhỏ → đoán khá đúng
* Loss lớn → đoán sai nhiều

👉 **Loss là con số duy nhất mô tả “sai bao nhiêu”**

***

### 5. Backprop – mạng sửa sai

Dựa vào loss:

* Backprop lan ngược:
  * Từ output neuron
  * Về hidden neurons
  * Về từng weight & bias

Nguyên tắc:

* Weight nào làm sai nhiều → sửa nhiều
* Weight nào ít ảnh hưởng → sửa ít

👉 Không cần nhớ công thức, chỉ nhớ **logic sửa sai có hệ thống**

***

### 6. Cập nhật tham số

Sau backprop:

* Weight mới = weight cũ − (learning rate × gradient)
* Bias cũng được cập nhật tương tự

👉 **Sau 1 lần cập nhật → mạng thay đổi một chút**

***

### 7. Lặp lại = học

Toàn bộ quá trình lặp lại:

```
Input
 → Forward
 → Prediction
 → Loss
 → Backprop
 → Update
 → (lặp lại)
```

* Mỗi vòng gọi là **1 iteration**
* Đi qua toàn bộ dữ liệu gọi là **1 epoch**

👉 Sau nhiều epoch:

* Loss giảm dần
* Dự đoán tốt hơn

***

### 8. Điều quan trọng cần nhớ (rất thực tế)

* Mạng **không hiểu bài toán**
* Mạng **không biết đúng sai theo nghĩa con người**
* Mạng chỉ:
  * Thử
  * Bị phạt (loss)
  * Sửa dần (backprop)

👉 **“Học” = tối ưu dần theo loss**

***

### 9. Tóm tắt toàn bộ ví dụ

```
Neuron      → thực hiện phép tính
Layer       → gom nhiều neuron
Activation  → tạo phi tuyến
Loss        → đo sai
Backprop    → sửa sai
Lặp lại     → học
```

Câu nhớ nhanh:

```
Deep Learning không học một lần.
Nó học bằng cách sai rất nhiều lần,
nhưng mỗi lần sai đều sửa tốt hơn.
```


---

# 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-theo-huong-ung-dung/vi-du-mo-hinh-don-gian.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.