Chuyển đến nội dung chính

Bài đăng

Tích hợp JSXGraph vào Blogger

Khi viết blog kỹ thuật về Toán học, Đồ họa máy tính hay Trí tuệ nhân tạo (AI/Machine Learning), việc giải thích các khái niệm như vector, góc chiếu hay đồ thị hàm số bằng hình ảnh tĩnh đôi khi chưa đủ trực quan. Sẽ thú vị hơn rất nhiều nếu người đọc có thể cầm chuột kéo thả trực tiếp đầu mũi tên vector ngay trên bài viết để xem các con số thay đổi theo thời gian thực. JSXGraph là một thư viện JavaScript nhẹ, không phụ thuộc vào framework ngoài, chuyên dùng để vẽ hình học tương tác và đồ thị 2D. Bài viết này sẽ hướng dẫn cách tích hợp JSXGraph vào Blogger và xây dựng một ví dụ minh họa tích vô hướng của hai vector. 1. Tại sao nên chọn JSXGraph cho Blogger? Cài đặt siêu gọn: Chỉ cần nhúng 1 file CSS và 1 file JS qua CDN vào giao diện (Theme), không cần cấu hình build phức tạp. Tương tác mượt mà: Hỗ trợ kéo thả điểm, tự động bắt dính lưới tọa độ (snap-to-grid) và cập nhật công thức toán học theo thời gian thực. Hiển thị sắc nét: Render dưới dạng SVG/Canvas nên hình vẽ l...

Vector là gì? Phân biệt Array trong C#, Point và Vector trong toán học

Khi bắt đầu tìm hiểu về Machine Learning, AI hay Đại số tuyến tính, chúng ta thường xuyên gặp một khái niệm: Vector (Véc-tơ) . Ví dụ, một vector có thể được biểu diễn như sau: $$\vec{v} = \begin{bmatrix} 2 \\ 3 \end{bmatrix}$$ Hoặc trong lập trình C#: int[] vector = { 2, 3 }; Nhìn qua, chúng ta có thể nghĩ rằng vector đơn giản chỉ là một mảng chứa nhiều con số. Nhưng có một câu hỏi thú vị: Tại sao một mảng [2, 3] lại có thể đại diện cho một vector? Hai con số này đang mô tả điều gì? Một vị trí trong không gian, hay một hướng di chuyển? Để trả lời, chúng ta cần phân biệt ba khái niệm tưởng chừng giống nhau nhưng thực chất rất khác biệt: Array, Point và Vector. 1. Mảng một chiều trong C# là gì? Trước tiên, hãy bắt đầu từ thứ quen thuộc nhất: Array. Trong C#, mảng một chiều là một cấu trúc dữ liệu dùng để lưu trữ nhiều phần tử cùng kiểu dữ liệu, được sắp xếp theo thứ tự và truy cập thông qua chỉ số (Index). Ví dụ: int[] numbers = { 2, 3, 5, 7 }; Mảng trên có ...

Embedding với .NET 10: Tạo vector từ văn bản bằng ONNX Runtime và Tokenizers

Embedding Dimension: 384 chiều thực sự có ý nghĩa gì? Trong bài viết trước, chúng ta đã tìm hiểu về Cosine Similarity và cách sử dụng góc giữa hai vector để đo mức độ tương đồng. Khi bắt đầu tìm hiểu Embedding, mình có một thắc mắc: Một embedding model có thể tạo ra vector 384 chiều, 768 chiều hay thậm chí 1024 chiều. Vậy những chiều này thực sự biểu diễn điều gì? Và liệu hai vector có thể vuông góc với nhau trong không gian hàng trăm chiều hay không? Để trả lời câu hỏi này, chúng ta sẽ đi từ hình học 2D, 3D đến không gian nhiều chiều và thử nghiệm trực tiếp bằng C#. 1. Embedding Dimension là gì? Embedding là quá trình chuyển đổi dữ liệu như văn bản thành một vector số. Vector này được sử dụng để biểu diễn thông tin mà mô hình đã học được. Mỗi phần tử trong vector tương ứng với một tọa độ trong không gian biểu diễn. Không gian 2 chiều (2D) Một vector có hai tọa độ: double[] vector = [2, 3]; Chúng ta có thể biểu diễn vector này trên hệ trục X và Y. Không gian 3 ...

Microsoft Agent Framework: Long-term Memory – Day 7

Ở các bài trước, chúng ta đã lần lượt xây dựng Agent, làm việc với Structured Outputs, Persistent Sessions, Streaming Responses và Context Compaction. Nhưng hãy thử một tình huống thực tế: trong Conversation thứ nhất, người dùng chia sẻ sở thích và môi trường phát triển. Sau đó, người dùng kết thúc cuộc hội thoại, mở một Conversation mới và tiếp tục đặt câu hỏi. Nếu Agent không có cơ chế ghi nhớ dài hạn, người dùng phải nhắc lại những thông tin đã cung cấp trước đó. Đây là vấn đề mà Long-term Memory giải quyết: giúp Agent lưu trữ và truy xuất những thông tin liên quan từ các Conversation trước đó. 1. Long-term Memory là gì? Long-term Memory là cơ chế giúp Agent giữ lại những thông tin có giá trị qua nhiều phiên làm việc, thay vì chỉ ghi nhớ nội dung trong Conversation hiện tại. Ví dụ, Agent có thể ghi nhớ: Người dùng thích sử dụng ngôn ngữ nào. Người dùng đang làm việc với công nghệ nào. Những chủ đề đã trao đổi trước đây. Những quyết định hoặc thông tin quan trọng từ các cu...

Microsoft Agent Framework: Context Compaction - Day 6

Ở Day 5, chúng ta đã tìm hiểu Streaming Responses trong Microsoft Agent Framework (MAF), sử dụng RunStreamingAsync() để nhận và hiển thị nội dung từng phần khi Agent đang tạo câu trả lời. Chúng ta cũng đã kết hợp Streaming với Persistent Sessions từ Day 4, cho phép lưu và khôi phục trạng thái hội thoại bằng SQL Server. Tuy nhiên, khi một cuộc hội thoại kéo dài, chúng ta sẽ gặp một vấn đề khác. Hãy tưởng tượng người dùng đã trao đổi với History Assistant qua hàng trăm lượt: Ban đầu, người dùng muốn tìm hiểu về Chiến tranh thế giới thứ hai. Sau đó, họ hỏi về nguyên nhân Đức Quốc xã trỗi dậy. Tiếp theo, họ tìm hiểu về các sự kiện tại châu Âu. Cuối cùng, họ muốn so sánh các sự kiện lịch sử và yêu cầu Agent tổng hợp lại. Mỗi lượt hội thoại mới có thể khiến lượng nội dung cần gửi đến AI Model ngày càng lớn. Điều này dẫn đến ba vấn đề: Context Window: Hội thoại có thể vượt quá giới hạn context của model. Cost: Số lượng input tokens tăng khiến ch...