Tiêu đề [SGU][Quá trình] Seminar chuyên đề (2024-2025 / HK2) ✅

3 1.0 1.0 1 4 0.0 0.0 0 Yêu cầu thực hiện 1. Lan truyền xuôi (Forward Propagation): o Tính cho tất cả 4 mẫu với tham số ban đầu:    o Ghi kết quả vào bảng (lấy 3 chữ số thập phân). 2. Tính hàm mất mát (Loss Calculation): o Dùng binary cross-entropy cho từng mẫu: o Tính mất mát trung bình: (lấy 3 chữ số thập phân). 3. Lan truyền ngược và cập nhật tham số (Backpropagation & Parameter Update): o Thực hiện 2 epoch huấn luyện (mỗi epoch qua 4 mẫu theo thứ tự 1 → 2 → 3 → 4):  Epoch 1: Dùng tham số ban đầu.  Epoch 2: Dùng tham số sau Epoch 1. o Gradient cho mỗi mẫu :        (Với nếu , ngược lại , là đạo hàm của ReLU). o Cập nhật sau mỗi mẫu: , . 4. Phân tích hiệu suất: o Sau mỗi epoch, tính lại và trung bình trên 4 mẫu với tham số đã cập nhật. o Vẽ biểu đồ đơn giản (bằng tay hoặc công cụ) thể hiện trung bình qua 2 epoch (trục x: epoch, trục y: ).
o Nhận xét: Mô hình có cải thiện không? Tại sao? (Tối đa 100 từ). 5. Đề xuất cải tiến: o Đề xuất ít nhất một thay đổi (ví dụ: tăng neuron, thay đổi , thay hàm kích hoạt) và giải thích lý do (tối đa 200 từ). Trình bày bài làm  Bảng kết quả: o Sau mỗi mẫu trong Epoch 1 và Epoch 2, ghi lại và các tham số mới (). o Bảng tổng hợp trung bình sau mỗi epoch.  Giải thích: Viết chi tiết cách tính gradient và cập nhật cho mẫu 1 trong Epoch 1 (tối đa 300 từ).  Phân tích và đề xuất: Trình bày trong phần riêng, kèm biểu đồ. Rubric chấm điểm (10 điểm) Tiêu chí Mô tả Điểm tối đa 1. Lan truyền xuôi Tính đúng cho 4 mẫu ban đầu 1.5 2. Hàm mất mát Tính đúng và trung bình 1.5 3. Lan truyền ngược Tính đúng gradient cho ≥8 lần cập nhật 2.0 4. Cập nhật tham số Cập nhật đúng tham số qua 2 epoch 2.0 5. Phân tích hiệu suất Biểu đồ và nhận xét hợp lý 1.0 6. Đề xuất cải tiến Đề xuất hợp lý, có giải thích 1.0 7. Trình bày Bảng rõ ràng, giải thích chi tiết 1.0 Tổng cộng 10.0