Mi primer CNN

¿Cuál es el objetivo principal de normalizar las imágenes en el dataset MNIST?

• Aumentar el contraste de las imágenes.

• Reducir el tamaño de las imágenes.

• Facilitar el aprendizaje del modelo al trabajar con valores entre 0 y 1.

• Convertir las imágenes a vectores one-hot.

¿Cuál es la ventaja principal de usar `padding='same'` en una capa convolucional?

• Reduce el tiempo de entrenamiento.

• Permite que la salida tenga las mismas dimensiones que la entrada.

• Aumenta la precisión del modelo automáticamente.

• Cambia el número de filtros aplicados.

¿Qué hace la función `to_categorical`?

• Normaliza los valores de entrada.

• Convierte las imágenes a escala de grises.

• Codifica etiquetas como vectores con un 1 en la posición correspondiente.

• Aplica softmax a las predicciones.

¿Qué representa la matriz de confusión?

• Los pesos aprendidos por la red.

• La activación de cada neurona.

• La comparación entre etiquetas verdaderas y predichas.

• El gradiente de pérdida por época.

¿Qué ocurriría si cambiamos la última capa Dense(10) por Dense(8) en este modelo?

• El modelo tendría mayor precisión.

• El modelo funcionaría correctamente solo con 8 clases.

• El modelo fallaría porque hay 10 clases reales.

• Nada cambiaría en el modelo.

¿Qué función cumple el optimizador 'adam' en el entrenamiento de la red?

• Mezcla varias funciones de pérdida.

• Controla el aprendizaje actualizando pesos eficientemente.

• Evalúa el rendimiento del modelo.

• Genera predicciones automáticas.

¿Cuál es la función de activación más común en capas convolucionales?

• Softmax

• Sigmoid

• ReLU

• Tanh

¿Por qué se aplica MaxPooling después de una convolución?

• Para aumentar la resolución de la imagen.

• Para eliminar canales redundantes.

• Para reducir dimensionalidad y conservar características relevantes.

• Para normalizar el mapa de activaciones.

¿Qué significa que MNIST tenga un canal?

• La imagen está en formato RGB.

• Tiene profundidad tridimensional.

• Es una imagen en escala de grises.

• Usa colores aleatorios.

¿Cuál es el propósito de la función Flatten() en una CNN?

• Convertir matrices 2D en vectores 1D

• Reducir la imagen a blanco y negro.

• Cambiar los filtros de convolución.
  

• Calcular métricas de precisión.