Baixe o app para aproveitar ainda mais
Prévia do material em texto
PERGUNTA 1 Considerando as redes LeNet, AlexNet, ResNet e VGG, quais das afirmações abaixo estão corretas em relação às suas semelhanças e diferenças? I. As redes LeNet e AlexNet são compostas apenas por camadas convolucionais, camadas de pooling e camadas densas em suas saídas. II. A rede ResNet é uma rede convolucional com conexões residuais, ou seja, há presença de atalhos entre camadas, permitindo que o sinal passe por camadas inteiras sem transformações. III. A rede ResNet pode ser vista como uma extensão direta da AlexNet, incluindo-se mais camadas convolucionais em sua arquitetura. IV. A VGG é formada por diversos blocos, denominados VGG Blocks, que podem ser reutilizados. Cada bloco é composto por camadas convolucionais e camadas de pooling. V. A VGG, por ser constituída por blocos, denominados VGG Blocks, é computacionalmente mais eficiente que a rede AlexNet. A. Apenas as afirmações I, II, IV e V estão corretas. B. Todas as afirmações estão corretas. C. Apenas as afirmações I, II e IV estão corretas. D. Apenas as afirmações II, IV e V estão corretas. E. Apenas as afirmações I, II e III estão corretas. PERGUNTA 2 As redes convolucionais possuem diversos componentes, como as camadas convolucionais, as camadas densas, as camadas de pooling, além de outros parâmetros, como o stride e o padding. Nesse contexto, qual é o propósito das camadas de pooling nas redes convolucionais? A. As redes convolucionais não possuem camadas de pooling, elas são usadas apenas nas redes densas, como a rede MLP. B. As camadas de pooling têm como função central forçar o aprendizado ortogonal entre as camadas convolucionais, melhorando, dessa forma, a eficiência da rede. C. As camadas de pooling têm como função central simplificar o sinal propagado na rede, condensando os mapas de características formados pelas camadas convolucionais. D. As camadas de pooling possuem a mesma dimensão da camada convolucional que a alimenta e tem como objetivo principal permitir que apenas um neurônio da camada convolucional seja ativo para um dado padrão, inibindo os demais neurônios da camada. E. As camadas de pooling têm como função central melhorar a resolução do sinal propagado na rede, permitindo que os padrões extraídos pelas camadas convolucionais sejam realçados. PERGUNTA 3 Ao contrário das redes densas, nas quais os neurônios de uma dada camada estão ligados a todos os neurônios da camada posterior, nas redes convolucionais os neurônios estão associados aos denominados campos receptivos locais. O que são os campos receptivos locais representados pelos neurônios presentes nas camadas convolutivas? A. Ao contrário dos campos receptivos globais, os campos receptivos locais indicam que os neurônios recebem informação apenas da camada anterior, e não diretamente da entrada do modelo. B. O campo receptivo de um neurônio está associado à imagem (dados) recebida como entrada pelo modelo. C. O campo receptivo de um neurônio, também denominado campo indutivo local, representa o estado de ativação de um neurônio com base nas entradas recebidas. D. O campo receptivo de um neurônio é representado pela região de influência desse neurônio, ou seja, quais pixels da imagem de entrada que o alimentam. E. Ao contrário dos campos receptivos globais, os campos receptivos locais representam entradas diretas da camada anterior, sem presença de laços globais de realimentação. PERGUNTA 4 Uma das limitações do uso de redes densas para tratar imagens está no número excessivo de parâmetros do modelo. Nas redes convolucionais, esse número é drasticamente reduzido em função do processo de compartilhamento de pesos. O que representa o compartilhamento de pesos em uma rede convolucional? A. Todos os neurônios de uma mesma camada possuirão exatamente o mesmo conjunto de pesos e bias. B. Todos os neurônios da rede irão compartilhar parte dos pesos entre si, facilitando a convergência do modelo. C. Todos os pesos de uma dada camada são replicados nas camadas seguintes. D. Não há compartilhamento de pesos em redes convolucionais. E. Todos os neurônios da rede irão receber o mesmo número de parâmetros (pesos), permitindo que apenas o bias seja ajustado independentemente por neurônio. PERGUNTA 5 Considerando uma entrada de tamanho 100x100 com 5 canais (recursos de entrada); uma camada convolucional com 20 filtros; e um kernel 3x3. Qual é o número de parâmetros livres (pesos ajustáveis) que teremos na camada convolucional? A. 920 parâmetros. B. 9200000 parâmetros. C. 200 parâmetros. D. 9000000 parâmetros. E. 900 parâmetros. PERGUNTA 6 Uma rede convolucional é composta por diversas camadas convolucionais e pode conter camadas densas em sua saída. O que é aprendido por cada camada convolucional (mapas de recursos) nessas redes? A. De forma distinta das redes densas, as camadas convolucionais aprendem a mapear, de forma direta, as imagens em suas respectivas classes. B. Os mapas (kernels) irão aprender a extrair padrões específicos de suas entradas, de tal maneira que cada mapa responda de forma distinta a um dado padrão recebido. C. De forma distinta das redes densas, as camadas convolucionais possuem pesos fixos definidos pelo especialista do domínio. Na prática, essas camadas irão executar filtros amplamente utilizados em processamento de imagens. D. Os mapas (kernels) irão aprender a extrair protótipos dos dados de entrada, ou seja, cada neurônio em uma camada convolucional irá representar um protótipo do agrupamento associado a este neurônio. E. Os mapas de recursos são responsáveis pela extração das similaridades entre imagens distintas que alimentam a rede, logo, esses mapas aprendem funções de similaridade.
Compartilhar