---

Mục tiêu bài học

• Làm quen với cách tổ chức mô hình trong PyTorch
• Biết cách xử lý dữ liệu huấn luyện (dataloader)
• Xây dựng một mạng nơ-ron feedforward đơn giản
• Huấn luyện mô hình trên dữ liệu giả định
• Biết cách tính loss, backprop, và cập nhật trọng số

---

1. Tại sao dùng PyTorch?

Dù có thể tự viết bằng NumPy, nhưng PyTorch giúp:

• Tự động tính đạo hàm với autograd
• Có module mô hình hóa (nn.Module) rất trực quan
• Dễ debug từng bước như code Python thuần
• Hỗ trợ GPU, mở rộng sang CNN, RNN dễ dàng sau này

---

2. Cài đặt môi trường

Cài PyTorch:

pip install torch torchvision

---

3. Tạo dữ liệu huấn luyện

Ở đây ta dùng bài toán XOR tương tự như bài 2:

import torch
import torch.nn as nn
import torch.optim as optim

# Dữ liệu XOR
X = torch.tensor([[0., 0.],
                  [0., 1.],
                  [1., 0.],
                  [1., 1.]])

Y = torch.tensor([[0.],
                  [1.],
                  [1.],
                  [0.]])

---

4. Xây mạng nơ-ron với nn.Module

class XORNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(2, 4)   # input 2 -> hidden 4
        self.fc2 = nn.Linear(4, 1)   # hidden 4 -> output 1
        self.sigmoid = nn.Sigmoid()
    
    def forward(self, x):
        x = self.sigmoid(self.fc1(x))
        x = self.sigmoid(self.fc2(x))
        return x

model = XORNet()

---

5. Huấn luyện mô hình

# Hàm mất mát và optimizer
criterion = nn.BCELoss()  # Binary Cross Entropy
optimizer = optim.SGD(model.parameters(), lr=0.1)

# Vòng lặp huấn luyện
for epoch in range(10000):
    y_pred = model(X)
    loss = criterion(y_pred, Y)
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if epoch % 1000 == 0:
        print(f"Epoch {epoch}: Loss = {loss.item():.4f}")

---

6. Kiểm tra kết quả

with torch.no_grad():
    output = model(X)
    predicted = (output > 0.5).float()
    print("Dự đoán:n", predicted)
    print("Thực tế:n", Y)

Kết quả mong đợi:

Dự đoán:
 tensor([[0.],
         [1.],
         [1.],
         [0.]])

---

7. Tổng kết

• Bạn đã biết cách định nghĩa mô hình với PyTorch
• Hiểu cách thiết lập loss, backprop và optimizer
• Biết dùng .forward(), .backward() và .step()
• Từ đây có thể mở rộng mạng sang bài toán phân loại ảnh, chuỗi…

---

bài học tiếp theo

• Bài 4: Giới thiệu về CNN – Mạng nơ-ron tích chập và bài toán phân loại ảnh
• Bài 4 (thực hành): Dùng PyTorch huấn luyện CNN trên MNIST
• Giải thích trực quan về Gradient Descent và vai trò Learning Rate