-
Notifications
You must be signed in to change notification settings - Fork 0
/
repaso.txt
155 lines (113 loc) · 4.6 KB
/
repaso.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
Respuestas
train-test
- underfit, ok, overfit (ver gráficos)
Dada una red para clasificar entre 2 especies de animales:, ¿Qué tipo de función
de activación final y de error deben utilizarse?
A) Activación: ReLu, Error: Error cuadrático promedio (mse)
B) Activación: ReLu, Error: Entropía Cruzada
C) Activación: Softmax, Error: Error cuadrático promedio (mse)
D) Activación: Softmax, Error: Entropía Cruzada => ESTA
E) Activación: Ninguna, Error: Error cuadrático promedio (mse)
F) Activación: Ninguna, Error: Entropía Cruzada
D) Activación: TanH, Error: Error cuadrático promedio (mse)
E) Activación: TanH, Error: Entropía Cruzada
Utilizar una neurona por cada clase a clasificar, y necesito la probabilidad por eso uso softmax
Podríamos usar uno, pero usar sigmoid.
MSE no sirve para clasificación, la entropia cruzada se usa cuando tenemos que clasificar .
ENTROPIA: minimizar distribución de probabilidades.
La función de error hace que se mueva el algoritmo de gradiente.
VER COMO SE CALCULAN LOS VALORES DE LAS FORMULAS.
======================
Dada una red para predecir la velocidad a la que debe moverse un motor (en
mtr/s), ¿Qué tipo de función de activación final y de error deben utilizarse?
A) Activación: ReLu, Error: Error cuadrático promedio (mse) => esta
B) Activación: ReLu, Error: Entropía Cruzada
C) Activación: Softmax, Error: Error cuadrático promedio (mse)
D) Activación: Softmax, Error: Entropía Cruzada
E) Activación: Ninguna, Error: Error cuadrático promedio (mse) => esta
F) Activación: Ninguna, Error: Entropía Cruzada
D) Activación: TanH, Error: Error cuadrático promedio (mse) => esta
E) Activación: TanH, Error: Entropía Cruzada
Necesito que mi salida tenga un número real (puede ser negativo o positivo)
TANH => me va a dar velocidades entre -1 y 1 (pero no un valor real)
Si quiero un valor REAL Activacion: NONE y MSE.
Si quiero que tenga solo valores positivo, podriá usar RELU.
VER COMO SE CALCULA MSE
=============
• Dada una imagen con dimensiones 8x8, si aplico un filtro convolucional de tamaño
3x3 sin padding, ¿cuáles son las dimensiones espaciales de la imagen de salida?
STRIDE = 1,
8 - 3 + 1 = 6 => 6 x 6
Si usara padding 10 * 10 => 10 - 3 + 1 => 8 x 8.
VER COMO SE CALCULAN ESTAS CUENTAS. (para no tener que pensar)
=============
• Dada una imagen RGB con dimensiones 8x8x3, si aplico un filtro convolucional de
tamaño 3x3 con zero-padding, ¿cuáles son las dimensiones espaciales de la imagen
de salida?
Lo transforma porque un kernel de 3x3 siempre va a tener 3x3x3
Depende la imagen original cuando es convolución.
Por ende la salida va a ser
10 - 3 + 1 => 8 => 8x8x1 . Si tuviera N feature-maps me va a retornar Nx8x8x1 filtros
=============
• Dada una capa convolucional con 5 filtros de 3x3, que recibe como entrada una
imagen RGB de 8x8x3, ¿qué cantidad de parámetros a entrenar tendrá la capa?
Sin padding =>
LA red entrena los kernel =>
Cantidad de parámetros:
5 x (3 x 3 x 3) => 45 + bias => 45 + 5 => 50.
5 x (3 x 3 x 3 + 1 )
feature map resultante
6 x 6 x 5 => si no tiene padding y es stride = 1
El bias es uno por cada filtro.
=============
Dada la salida de una red neuronal junto con lso valores esperado para un
conjunto de datos, calcular la matriz de confusión y computar las métricas accuracy, precisión y recall.
salida | valor esperado (real)
1, 1 => ok
1, 0 => NO
0, 0 => ok
1, 1 => ok
1, 1 => ok
0, 0, => ok
1, 0 => NO
matriz confusión =>
real
0 2 2
1 0 3
0 1 (pred)
accuracy: 2 + 3 / 7 => 5/7
precision:=> 3 / 2+3 => 3/5
recall => 3 / 3 => 1
f1: 2 * precision * recall / ( precision + recall )
¿Cuál es el resultado de aplicar el kernel especificado a la siguiente imagen, sin
utilizar padding y con un stride de 1?
05 05 07 07
03 09 10 04
03 00 00 03
09 10 10 09
kernel:
0.5 1 0.5
001 3 001
0.5 1 0.5
producto punto
(1,1) = 2.5+5+3.5+3+27+10+1.5+0+0 = 52.5
(1,2) = 2.5 + 7 + 3.5 + 9 + 30 + 4 +0 +0 +1.5 = 57.5
(2,1) = 1.5 + 9+5 + 3 + 0 + 0 + 4.5 + 10 + 5 = 38
(2,2) = 4.5 + 10 + 2 + 0 + 0 +3 + 5 +10 + 4.5 = 39
kernel
-1 -1 -1
-1 8 -1
-1 -1 -1
(1,1) =
(1,2) =
(2,1) =
(2,2) =
========================================
Polling
Las capas Pooling ayudan a reducir la dimensionalidad espacial del feature map de una
convolución. Básicamente son convoluciones con un stride igual al tamaño del kernel y
donde se calcula alguna función sobre todos los píxeles. Lo más usual es calcular el
máximo, el mínimo o el promedio.
Si hubiera aplicado polling arriba, solo selecciono el "según función" dentro del kernel-size.
===================================
teoría general.