Questão de Tecnologia da Informação · FGV TRF1 2024 (nº 49)

Em Deep Learning para classificação, a função log_softmax transforma as saídas brutas de um modelo (chamadas logits) em log-probabilidades, que são valores logarítmicos das probabilidades de cada classe. A função nll_loss (Negative Log Likelihood Loss) então usa essas log-probabilidades e os rótulos verdadeiros (índices das classes corretas) para calcular o erro do modelo, penalizando previsões incorretas.

• (A) Correta: O script executa todas as operações de forma válida. A variável input é um tensor de logits, target são os rótulos das classes (índices), F.log_softmax converte os logits em log-probabilidades, e F.nll_loss calcula a perda corretamente. O print(loss) irá, portanto, exibir o valor do tensor de perda resultante.
• (B) Incorreta: A função F.nll_loss é uma função padrão e existente no módulo torch.nn.functional do PyTorch, utilizada para calcular a perda de entropia cruzada negativa.
• (C) Incorreta: A função F.log_softmax é uma função padrão e existente no módulo torch.nn.functional do PyTorch, utilizada para aplicar a função softmax e, em seguida, o logaritmo.
• (D) Incorreta: A linha input = torch.randn(3, 5, requires_grad=True) cria explicitamente um tensor PyTorch com valores aleatórios e a capacidade de rastrear gradientes, o que é um uso correto da API.
• (E) Incorreta: A variável target = torch.tensor([1, 2, 0]) está corretamente formatada. Para F.nll_loss (quando o input são log-probabilidades), o target deve ser um tensor 1D contendo os índices das classes corretas para cada amostra do batch. A armadilha aqui é que muitos iniciantes podem esperar que o target seja um tensor one-hot encoded ou tenha a mesma dimensão do input, mas para esta função específica, os índices de classe são o formato esperado.