Grátis: Em relação à arquitetura LeNet das redes de convolução (CNN), selecione a opção correta. Possui cinco camadas de convolução. A última camada é to...

Tecnologia da Informação

Colégio Objetivo

Em relação à arquitetura LeNet das redes de convolução (CNN), selecione a opção correta.

Possui cinco camadas de convolução.
A última camada é totalmente conectada
Não precisa utilizar o hiperparâmetro stride
É a arquitetura de rede CNN de melhor desempenho, atualmente
Não utiliza camadas de aglomeração (pooling).

Estudando com Questões

há 2 anos

Estudando com Questões

há 2 anos

4 pág.

AV Estácio - Ecossistema Hadoop

ESTÁCIO

Respostas

há 2 anos

A opção correta é: "A última camada é totalmente conectada". A arquitetura LeNet das redes de convolução (CNN) possui cinco camadas de convolução e a última camada é totalmente conectada.

Essa resposta te ajudou?

Crie sua conta grátis para liberar essa resposta. 🤩

Já tem uma conta?

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

4 pág.

AV Estácio - Ecossistema Hadoop

ESTÁCIO

Mais perguntas desse material

Qual o nome do recurso do Sklearn utilizado para mostrar o resultado de modelos para problemas de classificação?

Classification report.
Regression report.
Neural report.
Neural network report.
Neural network classification report.

Como podemos rearrumar, no Python, as dimensões de um conjunto de dados antes de passar para uma rede neural?

Tuple(x).
Reshape(n,m).
Shape().
Shape(n,m).
Invert(m,n).

Qual o papel dos pesos nas redes neurais?

Colapsar a rede neural de modo a minimizar a função de custo.
Regularizar a rede neural de modo a maximizar a função de custo.
Desregularizar a rede neural de modo a minimizar a função de custo.
Desregularizar a rede neural de modo a maximizar a função de custo.
Regularizar a rede neural de modo a minimizar a função de custo.

Como é a abstração de camadas na biblioteca Keras?

Model.add(Dense(128, activation="sigmoid")).
Model.add(Dense(128, activation="centroid")).
Model.pop(Dense(128, activation="sigmoid")).
Model.remove(Dense(128, activation="sigmoid")).
Model.append(Dense(128, activation="sigmoid")).

Considere uma rede neural convolucional com o hiperparâmetro batch size igual a 250. Para essa rede, foram fornecidas um conjunto de dados de treinamento com 5000 amostras. Nesse sentido, selecione a opção correta:

O batch size precisa ser ajustado para ser um múltiplo de 100
A taxa de aprendizado para essa configuração é de 0,05
O algoritmo precisa de 20 iterações para completar uma época
O algoritmo terá 100 épocas
O total de iterações para o algoritmo convergir é de 1250000

Observe a operação de convolução abaixo:
Selecione a opção correta com a soma dos elementos resultantes da operação de convolução.

10
12
14
13
7

Assinale a alternativa correta sobre a aplicação de Redes Neurais Recorrentes (RNN) para a análise de séries temporais:

Os modelos de RNN fazem a normalização dos dados.
Depois de treinar um modelo, é possível que entradas iguais produzam valores estimados distintos.
A arquitetura das redes neurais recorrentes garante estimativas determinísticas.
Séries temporais são caracterizadas por possuírem apenas pares ordenados de tempo e valor.
O comportamento dos modelos é influenciado pelos dados de treinamento.

As Redes Neurais Recorrentes (RNN) trabalham com dados sequenciais. Assinale a alternativa correta sobre a aplicação de RNN para a análise de séries temporais:

O modo de fornecer os dados de treinamento para o modelo pode influenciar a extração de características.
Séries temporais são consideradas problemas difíceis de estimar. Portanto, o uso de RNN não tem um objetivo prático.
As RNN precisam apenas de um

Observe o texto:

frase = 'texto rnn encoder texto word embedding'

Assinale a alternativa correta sobre codificação número:

Para resolver a ambiguidade da palavra texto na frase e poder codificá-la, basta acrescentar um prefixo nela. Apesar de aparecer duas vezes na frase, a palavra texto tem a mesma representação.
A palavra texto tem duas funções distintas na frase. Portanto, precisa receber um sufixo para ser codificada.
A codificação da primeira vez em que a palavra texto aparece é 1, e a segunda vez é 4.
Como a palavra texto aparece duas vezes na frase, é necessário retirar uma delas para fazer a codificação.

Tecnologia da Informação

AV Estácio - Ecossistema Hadoop

Respostas

Crie sua conta grátis para liberar essa resposta. 🤩

Ainda com dúvidas?

Essa pergunta também está no material:

AV Estácio - Ecossistema Hadoop

Qual o nome do recurso do Sklearn utilizado para mostrar o resultado de modelos para problemas de classificação?Classification report.Regression report.Neural report.Neural network report.Neural network classification report.

Como podemos rearrumar, no Python, as dimensões de um conjunto de dados antes de passar para uma rede neural?Tuple(x).Reshape(n,m).Shape().Shape(n,m).Invert(m,n).

Como é a abstração de camadas na biblioteca Keras?Model.add(Dense(128, activation="sigmoid")).Model.add(Dense(128, activation="centroid")).Model.pop(Dense(128, activation="sigmoid")).Model.remove(Dense(128, activation="sigmoid")).Model.append(Dense(128, activation="sigmoid")).

Observe a operação de convolução abaixo:Selecione a opção correta com a soma dos elementos resultantes da operação de convolução.101214137

Mais conteúdos dessa disciplina

Qual o nome do recurso do Sklearn utilizado para mostrar o resultado de modelos para problemas de classificação?

Classification report.
Regression report.
Neural report.
Neural network report.
Neural network classification report.

Como podemos rearrumar, no Python, as dimensões de um conjunto de dados antes de passar para uma rede neural?

Tuple(x).
Reshape(n,m).
Shape().
Shape(n,m).
Invert(m,n).

Como é a abstração de camadas na biblioteca Keras?

Model.add(Dense(128, activation="sigmoid")).
Model.add(Dense(128, activation="centroid")).
Model.pop(Dense(128, activation="sigmoid")).
Model.remove(Dense(128, activation="sigmoid")).
Model.append(Dense(128, activation="sigmoid")).

Observe a operação de convolução abaixo:
Selecione a opção correta com a soma dos elementos resultantes da operação de convolução.

10
12
14
13
7