Atividade Objetiva 04_ 14 - Redes Neurais e Aprendizagem Profunda (2021)

Prévia do material em texto

9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 1/7
Atividade Objetiva 04
Entrega Sem prazo Pontos 10 Perguntas 5 Disponível depois 7 de abr de 2020 em 0:00
Limite de tempo Nenhum Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MANTIDO Tentativa 3 Menos de 1 minuto 8 de 10
MAIS RECENTE Tentativa 3 Menos de 1 minuto 8 de 10
Tentativa 2 2 minutos 6 de 10
Tentativa 1 8 minutos 4 de 10
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 8 de 10
Enviado 5 set em 19:01
Esta tentativa levou Menos de 1 minuto.
Você deve ler com calma o enunciado de cada uma das questões e responder em seguida de acordo com a instrução dada pela questão.
Fazer o teste novamente
https://pucminas.instructure.com/courses/64623/quizzes/167899/history?version=3
https://pucminas.instructure.com/courses/64623/quizzes/167899/history?version=3
https://pucminas.instructure.com/courses/64623/quizzes/167899/history?version=2
https://pucminas.instructure.com/courses/64623/quizzes/167899/history?version=1
https://pucminas.instructure.com/courses/64623/quizzes/167899/take?user_id=165143
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 2/7
2 / 2 ptsPergunta 1
Uma rede neural convolucional geralmente apresenta uma sequência de camadas convolucionais e de
agrupamento intercaladas com funções de ativação.
Marque a alternativa que representa uma afirmação incorreta:
 
A camada de convolução “desliza” um filtro sobre todas as localizações espaciais da entrada de forma a produzir
um mapa de ativação
 O filtro de uma camada convolucional não precisa se estender por toda a profundidade do volume de entrada 
 
O filtro de uma camada convolucional representa um mecanismo para se compartilhar os mesmos parâmetros em
diferentes locais, supondo que a entrada seja estacionária
 
Uma camada convolucional pode aprender múltiplos filtros com um número reduzido de parâmetros devido a
suposição de estacionariedade da entrada
Na verdade, é obrigatório que o filtro se estenda por toda a profundidade do volume de entrada
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 3/7
2 / 2 ptsPergunta 2
O tamanho do passo (“stride”) e o uso de preenchimento (“padding”) afetam os resultados de uma camada
convolucional.
Marque a alternativa que representa uma afirmação incorreta:
 
Para uma entrada de tamanho N x N e um filtro de tamanho F x F, a dimensão da saída será (N – F) / S + 1, em
que S representa o tamanho do passo (“stride”)
 
Nas camadas convolucionais com passo unitário e filtros de tamanho F x F, é comum se utilizar de preenchimento
por meio de uma borda de zeros com tamanho (F – 1) / 2
 Preenchimento não ajuda a minimizar o efeito da redução rápida de dimensionalidade espacial 
 
Uma camada convolucional com 6 filtros de tamanho 1×1 aprende como realizar uma combinação dos mapas de
ativação (ou características) da entrada para produzir 6 novos mapas (ou características) na saída
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 4/7
Para um filtro de tamanho F, o preenchimento realizado de forma a acrescentar uma borda de zeros
com tamanho (F – 1) / 2 é capaz de eliminar o efeito de redução da dimensão espacial quando o
passo for 1
2 / 2 ptsPergunta 3
As redes AlexNet e VGG representam dois importantes marcos na evolução das redes neurais profundas
aplicadas à tarefa de classificação de imagens.
Marque a alternativa que representa uma afirmação incorreta:
 A rede AlexNet alcançou uma redução taxa de erro de aproximadamente 10%
 Foi necessário se utilizar de forma intensiva de “data augmentation” para treinamento da rede AlexNet
 
A rede VGG introduziu a ideia de se utilizar filtros menores em redes mais profundas, uma vez que eles
conseguem o mesmo efeito e cobertura de filtros maiores utilizando um número menor de parâmetros
 A rede VGG foi a primeira a se utilizar da função de ativação ReLU (“Rectified Linear Unit”)
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 5/7
Na verdade, a rede AlexNet foi a primeira a utilizar a função de ativação ReLU
2 / 2 ptsPergunta 4
Mais recentemente, as redes GoogLeNet e ResNet introduziram importantes concepções no projeto e
implementação de redes neurais profundas.
Marque a alternativa que representa uma afirmação incorreta:
 A rede GoogLeNet introduziu o uso de vários filtros diferentes em sequência por meio do módulo “Inception”
 
De forma a minimizar seu alto custo computacional, o módulo “Inception” faz uso de convoluções 1 x 1 para
redução da dimensionalidade, apesar do aumento do número de parâmetros
 
A rede GoogLeNet se utiliza de agrupamento pela média (“average pooling”) no final da rede ao invés de
camadas completamente conectadas para se reduzir o número de parâmetros
 
A rede ResNet utiliza conexões “laterais” (desvios) nos blocos básicos de resíduos para garantir um bom fluxo de
gradientes e, consequentemente, viabilizar o treinamento de redes com centenas de camadas
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 6/7
Na verdade, o módulo “Inception” realiza vários filtros diferentes em paralelo conseguindo assim
extrair diferentes características a partir da mesma entrada
0 / 2 ptsPergunta 5IncorretaIncorreta
Redes recorrentes introduzem em seus projetos a presença de ciclos e a noção de tempo.
Marque a alternativa que representa uma afirmação incorreta:
 
Rede recorrente pode ser “estendida” em várias etapas de tempo, produzindo um grafo acíclico direcionado que
viabiliza o uso da propagação retrógrada (“back propagation”), porém seu tamanho dependerá do comprimento
da sequência de entrada
 
Em uma rede recorrente, as camadas podem ser empilhadas de forma a se produzir versões profundas, em que
cada camada é responsável por adicionar um nível maior de abstração e se utiliza se diferentes parâmetros
durante os diferentes intervalos de tempo (em um mesmo nível)
 
Em uma rede recorrente, o gradiente ao longo da dimensão temporal pode tanto crescer como reduzir
exponencialmente, inviabilizando o treinamento caso se considere um intervalo de tempo (isto é, tamanho de
sequência de entrada) razoável
9/5/2022 Atividade Objetiva 04: 14 - Redes Neurais e Aprendizagem Profunda (2021)
https://pucminas.instructure.com/courses/64623/quizzes/167899 7/7
 
As unidades LSTM (“Long Short Term Memory”) e variações conseguem por meio do uso de uma memória (ou
estado) de célula garantir um bom fluxo de gradientes ao longo do tempo e, consequentemente, viabilizar o
treinamento de intervalos de tempo mais longos
Pontuação do teste: 8 de 10