Questão nº 55
Questão de Análise de Informação · FGV CGE-SC 2022 (nº 55)
FGV2022Auditor do Estado - Ciências da ComputaçãoAnálise de Informação
Gabarito: Bver comentário ↓
Sobre as redes neurais convolucionais (CNNs) é correto afirmar que
- Aao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados.
- Bao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo. (alternativa correta)
- Cuma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características.
- Das últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos.
- Eas camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais.
Resposta comentada
Gabarito Alternativa B
As Redes Neurais Convolucionais (CNNs) são um tipo de rede neural muito eficaz para processar dados com estrutura de grade, como imagens. A transferência de aprendizado é uma técnica onde usamos um modelo CNN já treinado em uma tarefa grande e genérica (como identificar objetos em milhões de imagens) e o adaptamos para uma nova tarefa mais específica, economizando tempo e recursos.
- (A) Incorreta: Não é verdade que não precisamos nos preocupar com o formato e o tipo de dados. O modelo pré-treinado foi feito para um tipo específico de entrada (ex: imagens RGB de certo tamanho), e seus novos dados devem ser compatíveis ou pré-processados para se adequar.
- (B) Correta: O ajuste fino (fine-tuning) na transferência de aprendizado envolve começar com um modelo pré-treinado e continuar o treinamento com seus novos dados, permitindo que os pesos (parâmetros) de todas (ou da maioria) das camadas sejam atualizados para se adaptar à nova tarefa. Isso é diferente de apenas usar o modelo como extrator de características fixo.
- (C) Incorreta: Embora CNNs possam ser adaptadas para outros tipos de dados (como texto com convoluções 1D), sua principal força está em aprender características diretamente da estrutura bruta dos dados (como pixels adjacentes em imagens), e não em receber "simples vetores de características" já extraídos. Para dados tabulares (clientes), redes densas costumam ser mais apropriadas.
- (D) Incorreta: Esta afirmação inverte a hierarquia. As primeiras camadas de uma CNN extraem características de baixo nível (como bordas, linhas e texturas simples), enquanto as últimas camadas combinam essas características para formar representações de alto nível (como partes de objetos ou objetos completos). Armadilha: A armadilha aqui é a inversão da ordem das camadas e dos tipos de características. O conceito de hierarquia de características é fundamental em CNNs, e a inversão é um erro comum.
- (E) Incorreta: As camadas de pooling (como max pooling) não extraem características. Elas servem para reduzir a dimensionalidade (tamanho espacial) da representação, tornando o modelo mais robusto a pequenas variações e diminuindo a complexidade computacional, mas a extração de características é feita pelas camadas convolucionais.
Fonte: FGV CGE-SC 2022 Auditor do Estado - Ciências da Computação (Caderno Tipo 1). Reproduzida para fins de estudo.