Redes neuronales convolucionales (CNN)

¿Qué son los filtros (kernels) en una red neuronal convolucional?

• Matrices usadas para ajustar los pesos de las capas completamente conectadas

• Herramientas para reducir el tamaño de la imagen de entrada

• Matrices que extraen características de una imagen aplicando convoluciones

• Funciones que normalizan los valores de activación de las capas

¿Qué efecto tiene la capa de batch normalization en una red neuronal?

• Disminuye el número de filtros en las capas convolucionales

• Aumenta la dimensionalidad de las entradas

• Acelera el entrenamiento y estabiliza la distribución de activaciones

• Aumenta el número de neuronas en el modelo totalmente conectado

¿Cuándo es útil aplicar Dropout en una CNN?

• Para incrementar la velocidad del entrenamiento

• Para reducir el riesgo de sobreajuste (overfitting)

• Para normalizar las activaciones entre las capas

• Para mejorar el rendimiento de inferencia en datos de prueba

¿Qué diferencia hay entre Max Pooling y Average Pooling?

• Max Pooling selecciona el valor más alto de una región, Average Pooling calcula el valor promedio

• Max Pooling reduce el número de canales, Average Pooling los aumenta

• Max Pooling se utiliza solo en redes densas, Average Pooling solo en CNN

• No hay ninguna diferencia

¿Qué problema ayuda a resolver la técnica de batch normalization en redes profundas?

• La activación de las neuronas en las últimas capas

• La desaparición y explosión de gradientes

• La reducción del número de parámetros

• La generación de nuevas características

¿Qué hace el "padding" en las capas convolucionales?

• Reduce el número de filtros utilizados

• Reduce la cantidad de parámetros

• Agrega valores adicionales alrededor de los bordes de la entrada para mantener las dimensiones

• Aumenta el número de canales

¿Cuál es una de las principales ventajas de utilizar Transfer Learning? (2 correctas)

• Permite entrenar redes profundas desde cero más rápido

• Permite utilizar modelos preentrenados para evitar entrenar desde cero

• Aumenta el tamaño de la red

• Reduce el tamaño del conjunto de entrenamiento necesario

¿Qué tipo de arquitectura de CNN es popular por usar conexiones residuales para evitar la desaparición del gradiente?

• AlexNet

• VGGNet

• ResNet

• GoogLeNet

¿Qué ventaja tiene usar Max Pooling en lugar de Average Pooling en una CNN?

• Max Pooling reduce más rápidamente la dimensionalidad

• Max Pooling preserva las características más relevantes al enfocarse en los valores más altos

• Average Pooling mejora la generalización al eliminar valores extremos

• Max Pooling es más eficiente computacionalmente

¿Cómo influye la inicialización de pesos en el rendimiento de las CNN?

• Solo afecta el tiempo de entrenamiento, pero no el rendimiento final

• Una mala inicialización puede causar desaparición o explosión del gradiente, afectando tanto el rendimiento como la estabilidad del modelo

• La inicialización de pesos no tiene ningún impacto en redes profundas

• Solo afecta las primeras capas de la red