Unidade 4 - Atividade Objetiva_ 08 - Redes Neurais e Aprendizagem Profunda (2022)

Prévia do material em texto

4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 1/6
Unidade 4 - Atividade Objetiva
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
MAIS RECENTE Tentativa 1 3 minutos 10 de 10
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 10 de 10
Enviado 9 abr em 12:42
Esta tentativa levou 3 minutos.
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
2 / 2 ptsPergunta 1
https://pucminas.instructure.com/courses/90425/quizzes/336305/history?version=1
https://pucminas.instructure.com/courses/90425/quizzes/336305/take?user_id=197796
4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 2/6
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
2 / 2 ptsPergunta 2
4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 3/6
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
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
4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 4/6
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”)
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.
4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 5/6
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
Na verdade, o módulo “Inception” realiza vários filtros diferentes em paralelo conseguindo assim
extrair diferentes características a partir da mesma entrada
2 / 2 ptsPergunta 5
Redes recorrentes introduzem em seus projetos a presença de ciclos e a noção de tempo.
Marque a alternativa que representa uma afirmação incorreta:
4/9/23, 12:42 PM Unidade 4 - Atividade Objetiva: 08 - Redes Neurais e Aprendizagem Profunda (2022)
https://pucminas.instructure.com/courses/90425/quizzes/336305 6/6
 
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
 
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
Na verdade, uma camada de rede recorrente sempre irá utilizar os mesmos parâmetros para todos
os intervalos de tempo (isto é, os parâmetros de um mesmo nível são independentes do tempo)
Pontuação do teste: 10 de 10