Exercício 1 - CNN_ [IEC_EESA_O1_T1_Online] Visão Computacional

Prévia do material em texto

30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 1/10
Exercício 1 - CNN
Entrega 31 jul em 23:59 Pontos 47 Perguntas 20
Disponível 20 jun em 0:00 - 31 jul em 23:59 Limite de tempo Nenhum
Tentativas permitidas 2
Histórico de tentativas
Tentativa Tempo Pontuação
MANTIDO Tentativa 2 6 minutos 47 de 47
MAIS RECENTE Tentativa 2 6 minutos 47 de 47
Tentativa 1 30 minutos 39 de 47
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 47 de 47
Enviado 30 jul em 17:52
Esta tentativa levou 6 minutos.
2 / 2 ptsPergunta 1
No aprendizado supervisionado para classificação de images,
devemos fornecer as imagens para treinamento de uma rede neural e
os labels de cada classe. 
 Verdadeiro 
 Falso 
3 / 3 ptsPergunta 2
Analise as afirmações a seguir:
https://pucminas.instructure.com/courses/86566/quizzes/310501/history?version=2
https://pucminas.instructure.com/courses/86566/quizzes/310501/history?version=2
https://pucminas.instructure.com/courses/86566/quizzes/310501/history?version=1
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 2/10
I - A ideia do aprendizado profundo (deep) está relacionada sucessivas
camadas (layer) de representação.
II - Estas camadas de representação são construídas por meio de
modelos de redes neurais.
III - Deep learning é um framework para aprendizado de
representações a partir de dados.
 
Marque a alternativa correta:
 Estão corretas apenas as afirmações I e II 
 Estão corretas apenas as afirmações II e III 
 Estão corretas apenas as afirmações I e III 
 Estão corretas todas as afirmações 
2 / 2 ptsPergunta 3
No treinamento com Deep Learning, a transformação implementada
pela camada é parametrizada pelos seus pesos (parâmetros de
entrada da camada), que são iniciados aleatoriamente.
 Falso 
 Verdadeiro 
2 / 2 ptsPergunta 4
No treinamento com Deep Learning, “aprender” significa encontrar um
conjunto de funções de ativação para todas as camadas da rede, de
forma que a rede irá mapear corretamente exemplos de entrada para a
sua saída.
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 3/10
 Verdadeiro 
 Falso 
3 / 3 ptsPergunta 5
No treinamento com Deep Learning, qual é o papel da loss function?
Marque a alternativa correta:
 
Atualizar os pessoas das camadas da rede por meio de
backpropagation
 Calcular a acurácia parcial do modelo. 
 Iniciar os pessoas das camadas da rede de forma aleatória. 
 Calcular o quão distante a predição está do resultado esperado. 
3 / 3 ptsPergunta 6
No treinamento com Deep Learning, qual é o papel do
otimizador? Marque a alternativa correta:
 Calcular a acurácia parcial do modelo. 
 
Atualizar os pessoas das camadas da rede por meio de
backpropagation
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 4/10
 Iniciar os pessoas das camadas da rede de forma aleatória. 
 Calcular o quão distante a predição está do resultado esperado. 
2 / 2 ptsPergunta 7
No treinamento com Deep Learning, o valor de loss score é
usado como feedback para ajustar o valor dos pesos da
rede.
 Verdadeiro 
 Falso 
3 / 3 ptsPergunta 8
Analise as afirmações a seguir:
I - Uma imagem é representada em um rede neural por meio de um
tensor 4D
II - A primeira dimensão do tensor 4D é o canal de cor da imagem
III - A última dimensão do tensor 4D é o Batch Size
 
Marque a alternativa correta:
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 5/10
 Estão corretas apenas as afirmações I e II 
 Apenas a afirmativa I está correta. 
 Estão corretas todas as afirmações 
 Estão corretas apenas as afirmações I e III 
2 / 2 ptsPergunta 9
Uma imagem em escala de cinza com resolução de 256 x 256
representada em uma rede neural tem a seguinte forma de seu tensor
4D (tensor shape): (128, 256, 256, 256)
 Verdadeiro 
 Falso 
2 / 2 ptsPergunta 10
Imagens normalmente são processadas por uma “2D convolution
layers” (Conv2D no Keras)
 Verdadeiro 
 Falso 
2 / 2 ptsPergunta 11
Analise o código a seguir:
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 6/10
 
from tensorflow.keras import models 
from tensorflow.keras import layers
model = models.Sequential() 
model.add(layers.Dense(32, input_shape=(784,))) 
model.add(layers.Dense(32))
 
Layer que recebe um tensor 2D com a primeira dimensão de 32. a
camada irá retornar um tensor com a primeira dimensão transformada
para 784.
 
 
 Verdadeiro 
 Falso 
2 / 2 ptsPergunta 12
Analise o código a seguir:
 
from tensorflow.keras import models 
from tensorflow.keras import layers
model = models.Sequential() 
model.add(layers.Dense(32, activation='relu', input_shape=(784,))) 
model.add(layers.Dense(10, activation='softmax'))
 
ReLU é a função de ativação que transforma os pesos de entrada e
retorna uma saída. ReLU retorna a entrada diretamente, se esta for
positiva, caso contrário, retorna zero.
 
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 7/10
 Falso 
 Verdadeiro 
3 / 3 ptsPergunta 13
Analise o código a seguir:
 
from tensorflow.keras import models 
from tensorflow.keras import layers
model = models.Sequential() 
model.add(layers.Dense(32, activation='relu', input_shape=(784,))) 
model.add(layers.Dense(10, activation='softmax'))
 
Responda a alternativa correta:
 ReLU é o otimizador 
 
A primeira camada irá retornar um tensor com a primeira dimensão
transformada para 784
 Softmax é uma função de ativação 
 32 é a primeira dimensão de um tensor 2D 
2 / 2 ptsPergunta 14
As redes neurais podem ser compostas de camadas densas (Fully
Connected – FC: todos os nós de uma camada estão conectados a
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 8/10
TODOS os nós da camada anterior e a todos os nós da próxima
camada). 
 Verdadeiro 
 Falso 
3 / 3 ptsPergunta 15
Analise as afirmações a seguir sobre os componentes de uma CNN
(Convolution Neural Networks):
I - Convolutional layers para classificação
II - Fully connected layers para extração de features
III - Output prediction (predição de saída)
 
 
Marque a alternativa correta:
 Apenas as afirmações I e III estão corretas. 
 Apenas a afirmação III está correta. 
 Apenas as afirmações II e III estão corretas. 
 Estão corretas as afirmações I, II e III 
2 / 2 ptsPergunta 16
Nas CNNs, a primeira camada geralmente aprende recursos muito
básicos, como linhas e arestas, e a segunda reúne essas linhas para
reconhecer formas, cantos e círculos. Em seguida, nas camadas mais
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 9/10
profundas da rede, aprende formas mais complexas, como mãos,
olhos, ouvidos, etc.
 Verdadeiro 
 Falso 
2 / 2 ptsPergunta 17
A etapa de pooling em uma CNN ajuda a reduzir o tamanho da rede,
reduzindo o número de parâmetros passados para a próxima camada.
 Verdadeiro 
 Falso 
3 / 3 ptsPergunta 18
Analise as afirmações a seguir sobre os componentes de uma camada
convolucional:
I - filters = número de filtros em cada camada (a profundidade da
hidden layer)
II - kernel_size = o tamanho de cada filtro (também conhecido como
kernel). 
III - padding = adiciona colunas e linhas de valores zero ao redor da
borda da imagem para reservar o tamanho da imagem na próxima
camada
 
 
Marque a alternativacorreta:
30/07/2022 17:52 Exercício 1 - CNN: [IEC_EESA_O1_T1_Online] Visão Computacional
https://pucminas.instructure.com/courses/86566/quizzes/310501 10/10
 Apenas a afirmativa I está correta. 
 Todas as afirmativas estão corretas 
 Apenas as afirmações II e III estão corretas. 
 Apenas as afirmações I e III estão corretas. 
2 / 2 ptsPergunta 19
Underfitting: acontece quando construímos uma super rede que se
encaixa perfeitamente no conjunto de dados de, mas falha em
generalizar para outras amostras de dados que ele nunca viu antes.
 Falso 
 Verdadeiro 
2 / 2 ptsPergunta 20
Overfitting: o modelo falha ao ajustar os dados de treinamento. Isso
acontece quando o modelo é muito simples.
 Falso 
 Verdadeiro 
Pontuação do teste: 47 de 47