Prova - Deep learning

Prévia do material em texto

1) 
Sobre as diferentes arquiteturas de redes neurais convolucionais, podemos afirmar que: 
I. Na arquitetura LeNet-5, a camada de saída é um pouco diferente: em vez de calcular a 
multiplicação da matriz das entradas e do vetor de pesos, cada neurônio gera o quadrado da 
distância euclidiana entre seu vetor de entrada e seu vetor de peso. 
II. Na arquitetura LeNet-5, as camadas pooling são ligeiramente mais complexas do que o 
normal: cada neurônio calcula a média de suas entradas, então multiplica o resultado por um 
coeficiente, adiciona um termo de polarização e, finalmente, aplica a função de ativação. 
III. Na arquitetura AlexNet, os autores usaram duas técnicas de regularização para reduzir o 
sobreajuste: aplicaram a técnica dropout com uma taxa de 50% e, em seguida, utilizaram uma 
estratégia de “aumento” com o objetivo de expandir o tamanho do conjunto de treinamento. 
IV. Na arquitetura GoogLeNet, todas as camadas convolucionais usam a função de ativação 
ReLU. O segundo conjunto de camadas convolucionais usa tamanhos de kernel diferentes, 
permitindo que eles capturem padrões em escalas diferentes. 
V. A arquitetura ResNet é conhecida por ser pouca profunda. Assim, ela pode utilizar uma 
técnica chamada conexões de salto (ou de atalho): o sinal que entra em uma camada também é 
adicionado à saída de uma camada localizada mais adiante na rede. 
São verdadeiras: 
 
Alternativas: 
I, III, IV e V, apenas.checkINCORRETO 
I, II, III e V, apenas. 
I, II, III e IV, apenas.CORRETO 
II, III, IV e V, apenas. 
II, III e IV, apenas. 
Resolução comentada: 
a afirmação I é verdadeira, pois a arquitetura LeNet-5 usa uma 
estratégia diferente e mais complexa na camada de saída; a II é correta, 
pois as camadas pooling da arquitetura LeNet-5 são mais complexas que em 
outras redes; a III é correta, pois a arquitetura AlexNet usa duas 
técnicas de regularização para evitar sobreajuste; e a IV é correta, pois a arquitetura GoogLeNet 
usa a função de ativação ReLU e tamanhos diferentes de conjuntos de camadas 
convolucionais. A V está errada, pois a arquitetura ResNet, apesar de 
utilizar a técnica de conexões de salto, é mais profunda que as outras 
arquiteturas CNN. 
Código da questão: 62301 
2) 
As redes neurais convolucionais (Convolutional Neural Networks – CNN) surgiram a partir do 
estudo do córtex visual do cérebro. Elas têm sido usadas no reconhecimento de imagens desde a 
década de 1980, e nos últimos anos, graças ao aumento do poder computacional e à quantidade 
de dados disponíveis, as CNN conseguiram atingir um desempenho sobre-humano em algumas 
tarefas visuais complexas. O tipo de camada mais importante de uma CNN é chamado de 
convolucional. 
Assinale a 
alternativa que descreve uma característica das camadas convolucionais de uma 
CNN 
 
Alternativas: 
Os neurônios na primeira camada convolucional não estão conectados aos 
neurônios da camada de entrada. 
Os neurônios na primeira camada convolucional estão conectados apenas a 
um neurônio da camada de entrada. 
Os neurônios na primeira camada convolucional estão conectados apenas 
àqueles pertencentes ao seu grupo de visão na camada de entrada.checkCORRETO 
Os neurônios na primeira camada convolucional estão conectados a todos os 
demais neurônios da camada de entrada. 
Os neurônios na primeira camada convolucional estão conectados a dois 
neurônios da camada de entrada. 
Resolução comentada: 
os neurônios na primeira camada convolucional não estão conectados a cada 
neurônio na camada de entrada, mas somente àqueles que pertencem ao seu campo 
de visão. 
Código da questão: 62297 
3) 
Sobre o uso de redes neurais para tarefas de regressão, podemos afirmar que: 
I. Não é necessário usar função de ativação para os neurônios de saída, portanto, eles são livres 
para emitir qualquer intervalo de valores. 
II. Caso seja necessário garantir que o valor de saída seja sempre positivo, pode-se usar a função 
de ativação ReLU. 
III. Alternativamente à função de ativação ReLU, pode-se usar a função softplus, que é uma 
variante suave da função ReLU. 
IV. Na regressão logística, em que é preciso garantir que as previsões estejam dentro de um 
determinado intervalo de valores, deve-se usar a função de ativação step. 
V. A função de custo usada para calcular o erro em atividades de regressão é a função quadrática 
ajustada. 
São verdadeiras: 
 
Alternativas: 
I, II e III, apenas.CORRETO 
I, II, III e V, apenas. 
I, II e IV, apenas.checkINCORRETO 
III, IV e V, apenas. 
I, II, IV e V, apenas. 
Resolução comentada: 
a afirmação I é verdadeira, pois não é necessário utilizar função 
de ativação em redes neurais para tarefas de regressão; a II é correta, 
pois a função ReLU pode ser usada em tarefas de regressão caso necessário; e a III 
é correta, pois a função de ativação softplus, uma variante da ReLU, 
também pode ser usada em tarefas de regressão. A IV está errada, pois, para 
a regressão logística, devem-se usar as funções de ativação logística ou 
tangente hiperbólica; e a V é falsa, pois as funções de custo em tarefas 
de regressão devem ser o erro quadrático médio, o erro absoluto médio ou a 
função Huber (combinação das anteriores). 
Código da questão: 62287 
4) 
Sobre os conceitos básicos da arquitetura de uma CNN, analise as afirmativas a seguir e assinale-
as com V (verdadeiro) ou F (falso): 
( ) É comum utilizar uma estratégia chamada de preenchimento (padding), para garantir que uma 
camada tenha a mesma altura e largura ao longo da rede neural. 
( ) Existem várias estratégias de preenchimento que podem ser usadas em uma CNN, sendo 
identity e different os dois tipos mais comuns. 
( ) Os pesos de um neurônio podem ser representados como uma pequena imagem do tamanho 
do seu campo receptor. 
( ) As camadas pooling reduzem a imagem de entrada que está sendo processada, com o intuito 
de diminuir o custo computacional, o uso de memória e o número de parâmetros, limitando 
assim o risco de sobreajuste. 
Assinale a alternativa 
que contenha a sequência correta: 
 
Alternativas: 
F – F – V – V. 
V – V – F – V. 
F – V – V – F. 
V – F – F – V. 
V – F – V – V.checkCORRETO 
Resolução comentada: 
existem várias estratégias de preenchimento que podem ser usadas em uma 
CNN, sendo valid e same os dois tipos mais comuns. 
Código da questão: 61907 
5) 
Um multilayer perceptron pode ser usado para tarefas de classificação. Na classificação 
______________, é necessário um único neurônio de saída, e deve ser usada a função de ativação 
_______________. Se o conjunto de dados possui três ou mais classes, será necessário um neurônio 
de saída por classe, e deve ser usada a função de ativação _____________, para garantir que todas 
as probabilidades estimadas estejam entre 0 e 1 e que a soma final seja igual a 1. Essa atividade é 
chamada de classificação _______________. 
Assinale a alternativa 
que completa adequadamente as lacunas: 
 
Alternativas: 
Multiclasse; ReLU; step; binária. 
Binária; logística; softmax; multiclasse.checkCORRETO 
Multiclasse; logística; softmax; binária. 
Binária; ReLU; softmax; multiclasse. 
Binária; softmax; logística; multiclasse. 
Resolução comentada: 
um multilayer perceptron, quando usado para classificação binária, 
precisa de um único neurônio de saída, e deve usar a função de ativação logística. 
Em conjuntos de dados com três ou mais classes, é necessário um neurônio de 
saída por classe, e a função de ativação softmax deve ser usada. A 
tarefa de classificação com três ou mais classes é chamada de multiclasse. 
Código da questão: 62284 
6) 
É comum utilizar as redes neurais recorrentes para processar dados no 
formato texto. No processamento de linguagem natural, devem-se tomar alguns 
cuidados ao fazer a divisão entre conjuntos de teste e treinamento. Assinale a 
alternativa que descreve um desses cuidados. 
 
Alternativas: 
Os conjuntos de teste e treinamento devem ser idênticos. 
Não há a necessidade de utilizar dadosde validação. 
Não há a necessidade de utilizar dados de teste. 
Deve-se evitar a sobreposição de dados de treinamento, validação e teste.checkCORRETO 
Os conjuntos de teste e treinamento devem ter uma sobreposição de até 
10%. 
Resolução comentada: 
ao realizar a divisão do conjunto de dados, é importante evitar qualquer sobreposição 
entre o conjunto de treinamento, validação e o de teste. Inclusive, 
recomenda-se deixar um intervalo entre esses conjuntos para evitar o risco de 
um parágrafo se sobrepor em dois conjuntos. 
Código da questão: 61917 
7) 
É comum utilizar as redes neurais recorrentes para processar dados no 
formato texto. No processamento de linguagem natural, devem-se tomar alguns 
cuidados ao fazer a divisão entre conjuntos de teste e treinamento. Assinale a 
alternativa que descreve um desses cuidados. 
 
Alternativas: 
Não há a necessidade de utilizar dados de validação. 
Não há a necessidade de utilizar dados de teste. 
Deve-se evitar a sobreposição de dados de treinamento, validação e teste.checkCORRETO 
Os conjuntos de teste e treinamento devem ter uma sobreposição de até 
10%. 
Os conjuntos de teste e treinamento devem ser idênticos. 
Resolução comentada: 
ao realizar a divisão do conjunto de dados, é importante evitar qualquer sobreposição 
entre o conjunto de treinamento, validação e o de teste. Inclusive, 
recomenda-se deixar um intervalo entre esses conjuntos para evitar o risco de 
um parágrafo se sobrepor em dois conjuntos. 
Código da questão: 62309 
8) 
Ao longo dos anos, pesquisadores da área de inteligência artificial têm proposto 
inúmeras arquiteturas de redes neurais convolucionais, algumas delas específicas 
para solucionar determinados tipos de problemas. Assinale a opção que descreve 
o nome da arquitetura de rede convolucional que tem sido amplamente usada para 
o reconhecimento de dígitos manuscritos. 
 
Alternativas: 
ResNet. 
SENet. 
GoogLeNet. 
Xception. 
LeNet-5.checkCORRETO 
Resolução comentada: 
LeNet-5 é uma das arquiteturas para redes neurais convolucionais mais 
conhecidas e tem sido amplamente utilizada para o reconhecimento de dígitos 
manuscritos. 
Código da questão: 62302 
9) 
A biblioteca Tensorflow permite usar alguns módulos de mais baixo nível 
para personalizar alguns componentes da arquitetura de uma rede neural profunda. 
Assinale a alternativa que não representa um componente que pode ser 
personalizado pela biblioteca Tensorflow. 
 
Alternativas: 
Método load_model().checkCORRETO 
Inicializadores. 
Funções de perda. 
Regularizadores. 
Métricas de desempenho. 
Resolução comentada: 
a biblioteca Tensorflow permite que sejam personalizados funções de 
perda, métricas de desempenho, camadas, modelos, inicializadores e 
regularizadores, contudo, não permite adaptar o método load_model(), responsável por carregar 
um modelo salvo 
anteriormente. 
Código da questão: 61904 
10) 
Em tarefas de _____________________, o conjunto de treinamento pode ser formado por uma única 
sequência com milhões de caracteres, o que inviabiliza a atividade de _________________, pois a 
RNN seria equivalente a uma rede profunda com milhões de _______________. Uma estratégia que 
pode ser usada para resolver esse problema é converter a longa sequência de caracteres em 
diversas janelas ______________ de texto. Cada instância no conjunto de dados será uma substring 
curta de todo o texto, que, por sua vez, será processada pela RNN. 
Assinale a alternativa 
que completa adequadamente as lacunas: 
 
Alternativas: 
Reconhecimento de imagens; treinamento; camadas; maiores. 
Processamento de linguagem natural; teste; camadas; menores 
Processamento de linguagem natural; treinamento; camadas; maiores. 
Reconhecimento de imagens; treinamento; camadas; menores. 
Processamento de linguagem natural; treinamento; camadas; menores.checkCORRETO 
Resolução comentada: 
o conjunto de treinamento em PLN pode ser consistido em uma única 
sequência de mais de um milhão de caracteres, assim, não se pode treinar a rede 
neural diretamente nesse conjunto. Em vez disso, é possível usar um método para 
converter essa longa sequência de caracteres em diversas “janelas” menores de 
texto. Cada instância no conjunto de dados será uma substring curta de 
todo o texto, e a RNN processará apenas o conjunto dessas substrings. 
Código da questão: 61913