Domande d'esame VERIFICATO

Esame July 21st 2022 Cerveri

66 visualizzazioni

Nessun voto ancora

Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.

Di cosa parla

La sequenza corretta per l'addestramento di un perceptron è: inizializzazione casuale dei pesi, calcolo dell'output per una campione del set di addestramento, aggiornamento dei pesi utilizzando la regola del perceptron se la previsione non concorda con i label del dataset, passaggio al prossimo campione nel dataset.
La regola del perceptron può essere applicata a funzioni di attivazione a forma di step e non solo alla funzione signum. La retta decisionale ha equazione 0 = w1*x1 + w2*x2 – S, con -w1/w2 come coefficiente angolare della linea nel piano (x1, x2).
Nel rete neurale feed-forward a due input e una output per rappresentare la funzione z = (x² – 3xy + y²) è necessario un'attivazione non lineare nella neuronessa di output, mentre le neuronesse nascoste possono avere attivazioni lineari o non lineari.
L'early stopping implica testare la rete sul dataset di validazione dopo ogni epoca di addestramento e arrestare l'addestramento quando l'errore di generalizzazione inizia a aumentare, evitando l'overfitting.
Nel caso di un set di pazienti piccolo per il rilevamento noduli polmonari, la rete pre-addestrata può essere finetunata solo sulle ultime camme o utilizzando data augmentation e addestrando solo l'ultima camma.
Nel caso di una CNN con due layer convoluzionali per processare un volume 256x256x256, il campo di ricezione di un neurone nel secondo layer è 4x4x4x4 e la dimensione dell'output del primo layer è 128x128x128. Il stride del secondo layer è 2.

Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.